使用OpenAI Whisper的说话人识别管道
项目简介
Speaker Diarization Using OpenAI Whisper是一个基于OpenAI Whisper的强大工具,用于识别音频文件中不同说话人的片段。通过整合Whisper自动语音识别(ASR)技术和Voice Activity Detection(VAD)、Speaker Embedding,本项目能够精确地定位每句话的说话者,即使在多说话人环境中也能有出色表现。感谢@m-bain提供的批处理Whisper推理和@mu4farooqi的标点符号对齐算法,使得这个管道功能更加完善。
如果这个项目对你有所帮助,请在GitHub上点赞支持!
技术剖析
该管道首先从音频中提取人声以提高说话人嵌入的准确性,然后使用Whisper进行转录。接着,使用WhisperX进行时间戳校正和平移对齐,减少因时间差导致的错误。随后,MarbleNet实现VAD并排除静音部分,TitaNet则用来提取说话人特征,最后结合时间戳确定每个词的说话者,并利用标点模型对时间进行微调,确保准确度。
应用场景
无论是在会议记录、播客分析、电话对话分割或是多角色的音频内容整理等场合,Speaker Diarization Using OpenAI Whisper都能大显身手。它能帮助你快速高效地将多说话人音频拆分成独立的部分,便于后续的分析和处理。
项目特点
- 集成先进技术:结合Whisper的ASR、VAD以及Speaker Embedding技术,提供全面的说话人识别解决方案。
- 易用性:只需一行命令即可对音频文件进行处理,且提供多个可选参数以适应不同的需求。
- 并行处理:对于资源充足的系统,提供并行处理选项,提高了处理效率。
- 语言选择:支持手动指定语言,提升在语言检测失败情况下的性能。
安装与使用
首先确保安装了PyTorch
、FFmpeg
和Cython
,之后按照以下步骤安装依赖:
pip install cython torch
或
pip install torch
sudo apt update && sudo apt install cython3
安装FFmpeg:
# Ubuntu 或 Debian
sudo apt update && sudo apt install ffmpeg
# Arch Linux
sudo pacman -S ffmpeg
# MacOS(Homebrew)
brew install ffmpeg
# Windows(Chocolatey)
choco install ffmpeg
# Windows(Scoop)
scoop install ffmpeg
最后,运行pip install -r requirements.txt
来安装剩余的依赖。要处理音频文件,只需执行:
python diarize.py -a AUDIO_FILE_NAME
或者如果你的系统有足够的GPU内存,可以尝试使用diarize_parallel.py
进行并行处理。
未来计划
当前项目正在不断优化中,未来可能的改进包括处理重叠说话人的策略,以及增加最大句子长度限制等功能。
致谢
特别感谢@adamjonas对此项目的支持,以及OpenAI的Whisper、Faster Whisper、Nvidia NeMo和Facebook的Demucs的优秀工作,这些都为该项目的发展奠定了坚实基础。
如有任何问题或建议,欢迎提交issue,我们非常期待你的反馈!