- 综合排序
- 最热优先
- 最新优先
- 来自专栏Michael阿明学习之路
使用pyannote.audio进行语音分离和说话人识别
= pipeline(audio_file) speaker_embedding = None for turn, _, label in diarization.itertracks return speaker_embedding # 对于给定的音频，提取声纹特征并与人库中的声纹进行比较 def recognize_speaker(pipeline, audio_file): diarization = pipeline(audio_file) speaker_turns = [] for turn, _, speaker_label in diarization.itertracks agree使用协议，并获取 Hugging Face Token # cache_dir="/home/huggingface/hub/models--pyannote--speaker-diarization = pipeline(audio_file) for turn, _, speaker_label in diarization.itertracks(yield_label=True
3.4K00编辑于 2024-05-24 - 来自专栏ATYUN订阅号
谷歌开源AI新模型，区分语音准确度达到92％
Speaker diarization即根据谁说什么，以及什么时候说，将语音样本划分为独特的，同质的片段的过程，对机器来说不像人类那么容易，并且训练机器学习算法来执行它很难。 具有鲁棒性的Diarization系统必须能够将新个体与之前未遇到的语音段相关联。 但谷歌的AI研究部门已在性能模型方面取得了不错的进展。 在一篇新论文“Fully Supervised Speaker Diarization”和随附的博客文章中，研究人员描述了一种新的AI系统，该系统以更有效的方式利用受监督的说话者标签。 在流媒体音频上的Speaker diarization，底部轴不同的颜色表示不同的说话者。
68220发布于 2018-12-13 - 来自专栏大模型应用
大模型应用：语音转文本（ASR）实践：OpenAI Whisper精准转录解析.21
= Pipeline.from_pretrained( "pyannote/speaker-diarization-3.1", use_auth_token=hf_token # 替换为你的HuggingFace令牌 ) diarization_result = diarization_pipeline(audio_path) # 第三步：匹配“ = Pipeline.from_pretrained( "pyannote/speaker-diarization-3.1", use_auth_token ="YOUR_HUGGINGFACE_TOKEN" ) diarization_result = diarization_pipeline(audio_path = transcriber.transcribe_with_speaker_diarization( "group_discussion.wav")输出结果： { "full_text":
94721编辑于 2026-02-18 - 来自专栏技术拓展与说明
腾讯云ASR产品-PHP实现录音文件识别极速版鉴权请求
static $VOICE_FORMAT = 'mp3'; //是否开启说话人分离 static $SPEAKER_DIARIZATION = 0; //后处理参数 static voice_format" => self::$VOICE_FORMAT, "timestamp" => $timestamp, "speaker_diarization " => self::$SPEAKER_DIARIZATION, "filter_dirty" => self::$FILTER_DIRTY,
7.2K42发布于 2021-10-11 - 来自专栏云上修行
TS-VAD与Personal VAD：目标说话人语音活动检测技术深度分析报告
这两项技术是说话人日志（Speaker Diarization）领域的关键突破，为解决高度重叠语音场景下的"谁在何时说话"问题提供了全新的技术范式。 VAD) → 分段 → 说话人特征提取 → 聚类 → 重分段核心缺陷：单说话人假设：每个音频段只能分配一个说话人标签重叠语音处理能力弱：聚类方法无法处理多人同时说话性能瓶颈：CHiME-6数据集上DER（Diarization al., 2020)2.1 论文基本信息标题: Target-Speaker Voice Activity Detection: a Novel Approach for Multi-Speaker Diarization ) # Step 2: TS-VAD预测 activities = TS_VAD(audio, embeddings) # Step 3: 更新分段 diarization = activities_to_segments(activities) # Step 4: 更新嵌入 embeddings = extract_ivectors(diarization
3810编辑于 2026-03-19 开源神器WhisperLiveKit：本地部署+实时语音转写，会议纪要15分钟搞定
apt update && sudo apt install ffmpeg 安装核心依赖库 pip install whisperlivekit pip install whisperlivekit[diarization whisperlivekit-server --model base --language zh whisperlivekit-server --model large-v3 --language zh --diarization 会议纪要高效生成配置 自定义词汇表：提前录入APIv3、QoS指标、微服务架构等技术术语，提升专业词汇识别准确率 说话人自动区分：开启 --diarization 参数，不同发言者内容自动彩色标注，无需手动区分
95011编辑于 2026-01-22- 来自专栏深蓝学院的专栏
端到端声源分离研究：现状、进展和未来
Source separation和speaker-diarization在技术实现上有什么联系吗，我在做speaker-diarization任务，能借鉴source separation的什么思路？ 传统的speaker-diarization一个假设是说话人之间独立无重叠。 但如果我们说话人之间有重叠，那么不可避免的会用到分离，今年开始的做端到端的speaker-diarization的工作，speaker-diarization可以当作是一个粗粒度的source separation ，因此很多source separation的框架都可以用到speaker-diarization中。 对于最后一个问题把diarization中pre-train的模块放到分离网络前辅助encode是一定会有提升的。
3.1K7572发布于 2020-09-07 - 来自专栏dandelion1990的专栏
Python 语音录制与识别
FlashRecognitionRequest: def __init__(self, engine_type): self.engine_type = engine_type self.speaker_diarization set_first_channel_only(self, first_channel_only): self.first_channel_only = first_channel_only def set_speaker_diarization (self, speaker_diarization): self.speaker_diarization = speaker_diarization def set_filter_dirty engine_type'] = req.engine_type query_arr['voice_format'] = req.voice_format query_arr['speaker_diarization '] = req.speaker_diarization query_arr['hotword_id'] = req.hotword_id query_arr['customization_id
90921编辑于 2024-03-22 - 来自专栏AI科技评论
谷歌再获语音识别新进展：利用序列转导来实现多人语音识别和说话人分类
传统的说话人分类（speaker diarization，SD）系统有两个步骤。 在谷歌最近发布的论文「Joint Speech Recognition and Speaker Diarization via Sequence Transduction」[4]中，它们提出了一种基于 / [2] https://arxiv.org/abs/1211.3711 [3] https://ai.googleblog.com/2018/11/accurate-online-speaker-diarization.html [4] https://arxiv.org/abs/1907.05337 [5] https://ai.googleblog.com/2018/11/accurate-online-speaker-diarization.html
1.3K20发布于 2019-08-28 - 来自专栏ATYUN订阅号
谷歌云重大更新：Text-to-Speech现已支持26种WaveNet语音
对于未单独录制的音频样本，Cloud Speech-to-Text提供了diarization，它使用机器学习通过识别扬声器标记每个单词数。谷歌表示，标签的准确性会随着时间的推移而提高。 ? 谷歌云的Speech-to-Text diarization特征 这一切都很有用处，但如果你是一个拥有大量双语用户的开发人员呢？
2.4K40发布于 2018-09-26 - 来自专栏腾讯高校合作
2019腾讯犀牛鸟精英人才培养计划课题介绍（六）—语音技术
6.8 多模态说话人分段标记Speaker Diarization（地点：深圳/北京） 在多说话人的场景中，往往不仅需要识别出是谁讲了话还需要标记出谁在什么时候讲了话 (Speaker Diarization 仅靠声音识别可能会区分出不同语者，但将多模态信息结合起来可以进行更鲁棒的Speaker Diarization。 此课题将探讨研究如何结合多模态信息来进行更鲁棒的Speaker Diarization。 导师简介 腾讯专家研究员，剑桥大学博士毕业，主要从事语音识别的研究。
2.2K20发布于 2019-01-08 - 来自专栏腾讯高校合作
2019腾讯犀牛鸟精英人才培养计划课题介绍（六）—语音技术
6.8 多模态说话人分段标记Speaker Diarization（地点：深圳/北京） 在多说话人的场景中，往往不仅需要识别出是谁讲了话还需要标记出谁在什么时候讲了话 (Speaker Diarization 仅靠声音识别可能会区分出不同语者，但将多模态信息结合起来可以进行更鲁棒的Speaker Diarization。 此课题将探讨研究如何结合多模态信息来进行更鲁棒的Speaker Diarization。 导师简介 腾讯专家研究员，剑桥大学博士毕业，主要从事语音识别的研究。
1.2K10发布于 2019-01-22 - 来自专栏相约机器人
8倍提升表现：谷歌新算法，从多人对话里分清谁在发言，错误率降到2%
主角是把语音识别 (Speech Recognition) 和说话人区分 (Speech Diarization) 结合成一个系统，基线是把两者分开再适配： ? 结果，说话人区分的单词级错误率 (Word Diarization Error Rate) ，从基线的15.8%，下降到了新方法的2.2%。 ?
54740发布于 2019-08-20 - 来自专栏机器之心
是谁在说话？谷歌多人语音识别新系统错误率降至2%
在最近公布的一项研究中，谷歌的最新说话人分类系统（speaker diarization system）将多人语音分类识别的错误率从 20% 降到了 2%，获得了十倍的性能提升。 谷歌在一篇名为《Joint Speech Recognition and Speaker Diarization via Sequence Transduction》的论文中展示了这项研究，并将在 2019 谷歌一直在致力于改进人声分类系统，如去年 11 月发布的利用监督学习的精确在线说话人分类系统（https://ai.googleblog.com/2018/11/accurate-online-speaker-diarization.html
1.1K20发布于 2019-08-20 - 来自专栏腾讯高校合作
2022三大腾讯犀牛鸟专项研究计划 | 研究主题合集四：语音技术
Speaker Recognition and Diarization 2022腾讯大出行犀牛鸟专项研究计划 5.1.
38030编辑于 2022-01-14 - 来自专栏arXiv每日学术速递
金融/语音/音频处理学术速递[7.6]
The findings imply that the proposed extension to the Speaker diarization is effective to predict the This makes it possible to produce diarization results of a large number of speakers for the whole recording Experimental results showed that our method could produce accurate diarization results of an unseen number Experimental results showed that our method could produce accurate diarization results of an unseen number The findings imply that the proposed extension to the Speaker diarization is effective to predict the
78640发布于 2021-07-27 - 来自专栏机器之心
学界 | 批训练、注意力模型及其声纹分割应用，谷歌三篇论文揭示其声纹识别技术原理
第三篇论文 Speaker Diarization with LSTM，第一作者王泉。该论文将前两篇论文中所提到的声纹模型用于解决一个新的问题——多音源环境下的声纹分割。 论文：Speaker Diarization with LSTM ?
1.7K60发布于 2018-05-10 语音与语言理解技术的前沿融合
真实会话处理技术整合会议设立"语音分离、识别与说话人日志的集成"特别专场，重点解决：多说话人场景下的语音分离技术未知说话人数量时的声纹区分背景噪声干扰下的语音识别说话人日志（Speaker Diarization
27310编辑于 2025-09-01- 来自专栏机器学习与统计学
微软VibeVoice-ASR开源，60分钟长音频一口气转录，自带声纹识别和时间戳，强得可怕
前一段的人名，后一段可能就识别错了；而且它原生并不支持说话人识别（Diarization），想知道“谁在说话”，还得挂一个 pyannote.audio 之类的外部模型，慢且麻烦。 更绝的是，它把 ASR（语音转文字）、Diarization（说话人识别）、Timestamping（打时间戳） 三合一了。
83810编辑于 2026-02-03 - 来自专栏arXiv每日学术速递
金融/语音/音频处理学术速递[9.7]
摘要：This paper describes the ByteDance speaker diarization system for the fourth track of the VoxCeleb Our best system achieves 5.15\% of the diarization error rate (DER) on evaluation set, ranking the second at the diarization track of the challenge. 【6】 A Two-stage Complex Network using Cycle-consistent Generative 摘要：This paper describes the ByteDance speaker diarization system for the fourth track of the VoxCeleb Our best system achieves 5.15\% of the diarization error rate (DER) on evaluation set, ranking the second
66820发布于 2021-09-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号