speaker-diarization-3.1

Do czego służy speaker-diarization-3.1

speaker-diarization-3.1 to gotowy potok biblioteki pyannote.audio, który odpowiada na pytanie „kto mówi i kiedy?”. Model nie zapisuje treści wypowiedzi. Dzieli nagranie na odcinki przypisane do poszczególnych mówców, dlatego dobrze uzupełnia system rozpoznawania mowy w transkrypcjach spotkań, wywiadów, podcastów i nagrań call center.

Najważniejsze możliwości

• działa automatycznie bez podawania liczby mówców, ale pozwala też określić dokładną, minimalną lub maksymalną ich liczbę;
• przyjmuje dźwięk jedno- lub wielokanałowy, sprowadza go do mono i w razie potrzeby próbuje do 16 kHz;
• zwraca obiekt z przedziałami czasu i etykietami mówców, który można połączyć ze znacznikami czasu z ASR;
• obsługuje przetwarzanie na CPU i GPU oraz pliki w pamięci.

Wersja 3.1 zastąpiła zależność od onnxruntime implementacją opartą wyłącznie na PyTorch, zachowując architekturę potoku 3.0. W praktyce jakość zależy od akustyki, nakładających się głosów i poprawnego doboru parametrów. To komponent analizy nagrań, a nie model konwersacyjny ani transkrypcyjny. Repozytorium modelu jest objęte licencją MIT, lecz dostęp do wag może wymagać zaakceptowania warunków na Hugging Face.

Źródło: oficjalna karta pyannote speaker-diarization-3.1.