Speaker Diarization 3.0

🚀 🎹 说话人分割 3.0

本项目基于 pyannote.audio 开发了说话人分割 3.0 模型。该模型可对音频进行说话人分割处理，能自动处理多种音频格式和采样率，并在多个数据集上进行了基准测试，具有较高的准确性和实用性。

🚀 快速开始

如果你在生产环境中使用这个开源模型，考虑切换到 pyannoteAI 以获得更好更快的选择。

✨ 主要特性

• 该管道由 Séverin Baroudi 使用 pyannote.audio 3.0.0 进行训练，结合了 AISHELL、AliMeeting、AMI、AVA - AVD、DIHARD、Ego4D、MSDWild、REPERE 和 VoxConverse 的训练集。
• 它接收采样率为 16kHz 的单声道音频，并将说话人分割结果输出为一个 Annotation 实例。
  • 立体声或多声道音频文件会通过对声道求平均值自动下混为单声道。
  • 采样率不同的音频文件在加载时会自动重采样为 16kHz。

📦 安装指南

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

💻 使用示例

基础用法

# 实例化管道
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained(
  "pyannote/speaker-diarization-3.0",
  use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

# 在音频文件上运行管道
diarization = pipeline("audio.wav")

# 使用 RTTM 格式将说话人分割输出保存到磁盘
with open("audio.rttm", "w") as rttm:
    diarization.write_rttm(rttm)

高级用法

GPU 处理

pyannote.audio 管道默认在 CPU 上运行。你可以使用以下代码将其发送到 GPU 运行：

import torch
pipeline.to(torch.device("cuda"))

使用一块 Nvidia Tesla V100 SXM2 GPU（用于神经推理部分）和一块 Intel Cascade Lake 6248 CPU（用于聚类部分）时，实时因子约为 2.5%。换句话说，处理一小时的对话大约需要 1.5 分钟。

内存处理

预先将音频文件加载到内存中可能会加快处理速度：

waveform, sample_rate = torchaudio.load("audio.wav")
diarization = pipeline({"waveform": waveform, "sample_rate": sample_rate})

进度监控

可以使用钩子来监控管道的进度：

from pyannote.audio.pipelines.utils.hook import ProgressHook
with ProgressHook() as hook:
    diarization = pipeline("audio.wav", hook=hook)

控制说话人数量

如果事先知道说话人的数量，可以使用 num_speakers 选项：

diarization = pipeline("audio.wav", num_speakers=2)

也可以使用 min_speakers 和 max_speakers 选项提供说话人数量的下限和/或上限：

diarization = pipeline("audio.wav", min_speakers=2, max_speakers=5)

📚 详细文档

本管道在大量数据集上进行了基准测试。处理过程完全自动化：

• 无需手动进行语音活动检测（文献中有时会有这种情况）。
• 无需手动指定说话人数量（尽管可以向管道提供该信息）。
• 无需对内部模型进行微调，也无需针对每个数据集调整管道的超参数。

... 采用最严格的说话人分割错误率（DER）设置（在 本文 中称为 "Full"）：

• 无宽容边界。
• 对重叠语音进行评估。

📄 许可证

本项目采用 MIT 许可证。收集的信息将有助于更好地了解 pyannote.audio 的用户群体，并帮助其维护者进一步改进它。尽管此管道使用 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你介绍 pyannote 相关的高级管道和付费服务。

📚 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},
}