whisper-diarization

whisper-diarization

基于OpenAI Whisper的音频转录和说话人分离工具

whisper-diarization项目整合了OpenAI Whisper的语音识别技术和先进的说话人分离方法。该工具首先进行人声提取,然后利用Whisper生成转录文本,并通过WhisperX优化时间戳。结合MarbleNet和TitaNet等技术,它能够准确识别多个说话人,最终输出包含说话人标识的精确转录结果。这一开源解决方案特别适合需要处理多人对话音频的场景,为音频转录和分析提供了强大支持。

Speaker DiarizationOpenAI Whisper语音识别说话人分类音频处理Github开源项目
<h1 align="center">使用OpenAI Whisper进行说话人分类</h1> <p align="center"> <a href="https://github.com/MahmoudAshraf97/whisper-diarization/stargazers"> <img src="https://yellow-cdn.veclightyear.com/2b54e442/6b3f5b55-229d-4288-b1e5-13fb4b44f183.svg?colorA=orange&colorB=orange&logo=github" alt="GitHub 星标"> </a> <a href="https://github.com/MahmoudAshraf97/whisper-diarization/issues"> <img src="https://yellow-cdn.veclightyear.com/2b54e442/fc014b33-2a45-4c47-8f1b-0f628b50a668.svg" alt="GitHub 问题"> </a> <a href="https://github.com/MahmoudAshraf97/whisper-diarization/blob/master/LICENSE"> <img src="https://yellow-cdn.veclightyear.com/2b54e442/ed9f7d3a-6f58-48e0-854b-c87b9b759334.svg" alt="GitHub 许可证"> </a> <a href="https://twitter.com/intent/tweet?text=&url=https%3A%2F%2Fgithub.com%2FMahmoudAshraf97%2Fwhisper-diarization"> <img src="https://yellow-cdn.veclightyear.com/2b54e442/3d48638f-87ff-406d-b1fb-2487a776df99.svg?style=social" alt="Twitter"> </a> </a> <a href="https://colab.research.google.com/github/MahmoudAshraf97/whisper-diarization/blob/main/Whisper_Transcription_%2B_NeMo_Diarization.ipynb"> <img src="https://yellow-cdn.veclightyear.com/2b54e442/21f038b2-afbb-4ce5-ad79-761378a46abe.svg" alt="在Colab中打开"> </a> </p>

基于OpenAI Whisper的说话人分类流程 我要感谢@m-bain提供的批量Whisper推理,@mu4farooqi提供的标点符号重新对齐算法

<img src="https://yellow-cdn.veclightyear.com/2b54e442/27d4a204-da21-4204-a2c0-b1986b069d31.png" alt="drawing" width="25"/> 如果您欣赏我对社区的贡献,请在GitHub上为该项目点星(见右上角)!

这是什么

这个仓库将Whisper的ASR能力与语音活动检测(VAD)和说话人嵌入相结合,以识别Whisper生成的转录中每个句子的说话人。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生成转录,然后使用WhisperX校正和对齐时间戳,以帮助最小化由于时间偏移导致的分类错误。然后将音频传入MarbleNet进行VAD和分段以排除静音,然后使用TitaNet提取说话人嵌入以识别每个分段的说话人,然后将结果与WhisperX生成的时间戳关联,以根据时间戳检测每个单词的说话人,然后使用标点模型重新对齐以补偿微小的时间偏移。

WhisperX和NeMo参数已编码到diarize.py和helpers.py中,我稍后会添加CLI参数来更改它们

安装

需要预先安装FFMPEGCython作为先决条件

pip install cython

sudo apt update && sudo apt install cython3
# 在Ubuntu或Debian上
sudo apt update && sudo apt install ffmpeg

# 在Arch Linux上
sudo pacman -S ffmpeg

# 在MacOS上使用Homebrew (https://brew.sh/)
brew install ffmpeg

# 在Windows上使用Chocolatey (https://chocolatey.org/)
choco install ffmpeg

# 在Windows上使用Scoop (https://scoop.sh/)
scoop install ffmpeg

# 在Windows上使用WinGet (https://github.com/microsoft/winget-cli)
winget install ffmpeg
pip install -r requirements.txt

使用方法

python diarize.py -a 音频文件名

如果您的系统有足够的显存(>=10GB),您可以使用diarize_parallel.py代替,区别在于它与Whisper并行运行NeMo,这在某些情况下可能有益,结果是相同的,因为两个模型是相互独立的。这仍然是实验性的,所以请预料到错误和锐利的边缘。欢迎您的反馈。

命令行选项

  • -a 音频文件名:要处理的音频文件名
  • --no-stem:禁用源分离
  • --whisper-model:用于ASR的模型,默认为medium.en
  • --suppress_numerals:以发音字母而不是数字转录数字,提高对齐准确性
  • --device:选择使用哪个设备,如果可用则默认为"cuda"
  • --language:手动选择语言,在语言检测失败时有用
  • --batch-size:批量推理的批量大小,如果内存不足则减小,设为0表示非批量推理

已知限制

  • 尚未解决重叠说话人的问题,一种可能的方法是分离音频文件并仅隔离一个说话人,然后将其输入流程,但这需要更多的计算
  • 可能存在一些错误,如果遇到任何问题,请提出问题。

未来改进

  • 为SRT实现每句话的最大长度

致谢

特别感谢@adamjonas对这个项目的支持 这项工作基于OpenAI的WhisperFaster WhisperNvidia NeMoFacebook的Demucs

编辑推荐精选

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

聊天机器人AI助手热门AI工具AI对话
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

下拉加载更多