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

博思AIPPT

博思AIPPT

AI一键生成PPT，就用博思AIPPT！

博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
潮际好麦

潮际好麦

AI赋能电商视觉革命，一站式智能商拍平台

潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案，助力品牌曝光

稳定高效的流量提升解决方案，助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用，一键生成无水印视频

最新版Sora2模型免费使用，一键生成无水印视频

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
TRAE编程

TRAE编程

AI辅助编程，代码自动修复

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
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多