懂AI
Whisper-transcription_and_diarization-speaker-identification-

Whisper-transcription_and_diarization-speaker-identification-

使用OpenAI Whisper进行音频转录和说话人识别的完整教程

本教程详细介绍如何使用OpenAI Whisper进行音频转录和说话人识别，并结合pyannote-audio进行对话分析。学习如何准备音频、区分说话人，并将结果与转录文本匹配，实现智能音频分析。

WhisperOpenAIdiarization音频转录人工智能Github开源项目
访问官网GitHub

Whisper 转录与说话人分离（语言辨识）项目介绍

项目背景

Whisper 是 OpenAI 开发的一种最先进的语音识别系统。它经过 680,000 小时的多语言和多任务监督数据训练，这些数据是从互联网上收集的。如此大规模和多样化的训练数据增强了系统对口音、背景噪音和专业术语的识别能力。此外，Whisper 可以识别多种语言，并支持这些语言翻译成英语。虽然 Whisper 非常强大，但它有一个不足之处——不能识别对话者的身份。在对话分析中，这是一个需要解决的问题。因此，我们引入了分离技术（diarization），即辨别在对话中谁在说话。

这个项目将讲解如何利用 pyannote-audio 来进行说话人辨识，并将结果与 Whisper 的转录相匹配，以实现自动化的音频分析处理。

音频准备

首先，我们需要获取并准备音频文件。在这里，我们使用了 Lex Fridman 和 Yann Lecun 的播客的前 20 分钟内容。借助 yt-dlp 包，我们可以从视频中提取音频。以下安装命令将帮助你进行此操作：

!pip install -U yt-dlp

同时，我们还需要安装 ffmpeg。

下载并提取音频后，我们使用 pydub 剪辑音频，只需几行代码即可完成：

!pip install pydub
from pydub import AudioSegment

t1 = 0 * 1000
t2 = 20 * 60 * 1000

newAudio = AudioSegment.from_wav("download.wav")
a = newAudio[t1:t2]
a.export("audio.wav", format="wav")

使用 Pyannote 进行说话人分离

pyannote.audio 是一个用 Python 编写的开源工具包，用于说话人分离。基于 PyTorch 的机器学习框架，它提供了一整套可训练的端到端神经构建模块，可结合并联合优化以构建说话人分离管线。pyannote.audio 提供了多种领域的预训练模型和管道，这些管道涵盖了语音活动检测、说话人分段、重叠语音检测、说话人嵌入等，性能在多个领域达到最前沿水平。

安装和运行 Pyannote 来生成说话人分离结果：

!pip install pyannote.audio
from pyannote.audio import Pipeline

pipeline = Pipeline.from_pretrained('pyannote/speaker-diarization')
DEMO_FILE = {'uri': 'blabal', 'audio': 'audio.wav'}
dz = pipeline(DEMO_FILE)  

with open("diarization.txt", "w") as text_file:
    text_file.write(str(dz))

通过 Whisper 进行转录

接下来，我们使用 Whisper 对不同的音频片段进行转录。需要注意的是，由于与 pyannote.audio 版本冲突，可能会引发错误。解决方法是先运行 Pyannote，然后再运行 Whisper，错误信息可以忽略。

安装 OpenAI Whisper：

!pip install git+https://github.com/openai/whisper.git

然后，运行 Whisper 对处理后的音频文件进行转录：

!whisper dz.wav --language en --model base

匹配转录与说话人分离结果

最后步骤是将每条转录匹配到一些说话人分离结果上。我们通过生成一个 HTML 文件来展示一切。在这一步中，我们要仔细处理原始音频中不在任何说话人分离片段中的部分。

<!DOCTYPE html>
<html lang="en">
...
</html>

通过这样的方法，项目不仅实现了音频的自动转录，还可以辨识对话者的身份，为进一步的语音数据分析提供了强大的工具。该项目不仅展示了 Whisper 在语音识别领域的强大功能，还通过与 Pyannote 的结合，弥补了说话人辨识的不足，为广大开发者提供了实用的音频数据处理解决方案。

编辑推荐精选

蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
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。

AI工具TraeAI IDE协作生产力转型热门
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。

热门AI助手AI对话AI工具聊天机器人
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。

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

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作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。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
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。

下拉加载更多