Segmentation 3.0

🚀 "Powerset" 说话人分割模型

本模型是一个开源的说话人分割模型，它能将输入的音频进行处理，输出说话人分割结果。模型以10秒、16kHz采样的单声道音频为输入，输出说话人分割矩阵。同时，使用该模型在生产环境中时，可考虑切换到 pyannoteAI 以获得更好更快的选择。

🚀 快速开始

安装要求

1. 使用 pip install pyannote.audio 安装 pyannote.audio 3.0 版本。
2. 接受 pyannote/segmentation-3.0 的用户使用条件。
3. 在 hf.co/settings/tokens 创建访问令牌。

模型使用

# 实例化模型
from pyannote.audio import Model
model = Model.from_pretrained(
  "pyannote/segmentation-3.0", 
  use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

✨ 主要特性

本模型以10秒、16kHz采样的单声道音频为输入，输出说话人分割结果，以 (num_frames, num_classes) 矩阵呈现，其中7个类别分别为 非语音、说话人 #1、说话人 #2、说话人 #3、说话人 #1 和 #2、说话人 #1 和 #3 以及 说话人 #2 和 #3。

💻 使用示例

基础用法

# 波形数据 (第一行)
duration, sample_rate, num_channels = 10, 16000, 1
waveform = torch.randn(batch_size, num_channels, duration * sample_rate) 

# 幂集多类编码 (第二行)
powerset_encoding = model(waveform)

# 多标签编码 (第三行)
from pyannote.audio.utils.powerset import Powerset
max_speakers_per_chunk, max_speakers_per_frame = 3, 2
to_multilabel = Powerset(
    max_speakers_per_chunk, 
    max_speakers_per_frame).to_multilabel
multilabel_encoding = to_multilabel(powerset_encoding)

高级用法

说话人分割

此模型本身不能对完整录音进行说话人分割（它仅处理10秒的音频块）。可参考 pyannote/speaker-diarization-3.0 管道，该管道使用额外的说话人嵌入模型来执行完整录音的说话人分割。

语音活动检测

from pyannote.audio.pipelines import VoiceActivityDetection
pipeline = VoiceActivityDetection(segmentation=model)
HYPER_PARAMETERS = {
  # 移除短于该秒数的语音区域。
  "min_duration_on": 0.0,
  # 填充短于该秒数的非语音区域。
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
vad = pipeline("audio.wav")
# `vad` 是一个包含语音区域的 pyannote.core.Annotation 实例

重叠语音检测

from pyannote.audio.pipelines import OverlappedSpeechDetection
pipeline = OverlappedSpeechDetection(segmentation=model)
HYPER_PARAMETERS = {
  # 移除短于该秒数的重叠语音区域。
  "min_duration_on": 0.0,
  # 填充短于该秒数的非重叠语音区域。
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
osd = pipeline("audio.wav")
# `osd` 是一个包含重叠语音区域的 pyannote.core.Annotation 实例

📚 详细文档

该模型背后的各种概念在这篇 论文 中有详细描述。

它由 Séverin Baroudi 使用 pyannote.audio 3.0.0 版本进行训练，训练集结合了 AISHELL、AliMeeting、AMI、AVA - AVD、DIHARD、Ego4D、MSDWild、REPERE 和 VoxConverse。

由 Alexis Plaquet 维护的 配套仓库 也提供了如何在自己的数据上训练或微调此类模型的说明。

📄 许可证

本模型采用 MIT 许可证。

📖 引用

@inproceedings{Plaquet23,
  author={Alexis Plaquet and Hervé Bredin},
  title={{Powerset multi-class cross entropy loss for neural speaker diarization}},
  year=2023,
  booktitle={Proc. INTERSPEECH 2023},
}

@inproceedings{Bredin23,
  author={Hervé Bredin},
  title={{pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe}},
  year=2023,
  booktitle={Proc. INTERSPEECH 2023},
}

⚠️ 重要提示

收集的信息将有助于更好地了解 pyannote.audio 的用户群，并帮助其维护者进一步改进它。尽管此模型使用 MIT 许可证，并且将始终保持开源，但我们偶尔会通过电子邮件向您介绍围绕 pyannote 的高级模型和付费服务。

💡 使用建议

如果在生产环境中使用此开源模型，可考虑切换到 pyannoteAI 以获得更好更快的选择。