pyannote.audio 说话人日志实战安装、首跑与版本选择的完整路径【免费下载链接】pyannote-audioNeural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding项目地址: https://gitcode.com/GitHub_Trending/py/pyannote-audio一段 1 小时的会议录音十几位发言人你能快速知道每句话是谁说的吗这是说话人日志Speaker Diarization要解决的核心问题把音频自动切段并判断每一段是谁在说话。pyannote.audio 是基于 PyTorch 的说话人日志开源 Python 工具包自带开箱即用的预训练管道。这篇文章带你从零跑通第一个说话人日志结果并讲清楚社区版和专业版的区别与选择方式。 它解决什么问题输入是一段音频文件——会议录音、访谈、播客格式不限。输出是一组带说话人标签的片段每个片段有开始时间、结束时间和说话人标识。需要注意标签是匿名的如 speaker_0、speaker_1不是真实姓名工具只区分有几个不同的人说过话而不回答他们是谁。社区版还会额外返回一份排他说话人日志exclusive diarization保证每个时间段最多归一个说话人方便与转写结果对齐。下图是说话人日志结果在标注工具中的可视化效果波形按说话人分段每个色块就是一人的发言区间可以逐段确认或修正。 从零跑通准备与安装系统要求与安装 pyannote.audioPython 3.10 及以上版本GPU 非必需但强烈推荐纯 CPU 也能跑但处理长音频会明显更慢ffmpeg音频解码走 torchcodec依赖系统已安装 ffmpeg。安装只需两步python3 -m venv pyannote-env source pyannote-env/bin/activate # 创建并激活虚拟环境 pip install pyannote.audio # 安装工具包及其依赖获取 HuggingFace 令牌社区版管道在 HuggingFace 模型库上是受控模型需要三步准备注册 HuggingFace 账号并在账号设置页创建访问令牌打开 pyannote/speaker-diarization-community-1 模型页接受它的用户条款不accept则无法加载模型最后把令牌通过代码里的 token 参数传入。如果想手动预下载模型文件在模型页点击 Files and versions 标签在文件列表中找到权重文件即可下图是 pyannote 系列模型页的示意▶️ 第一次运行最小可运行示例import torch from pyannote.audio import Pipeline # 加载 community-1 说话人日志管道需 HuggingFace 令牌 pipeline Pipeline.from_pretrained( pyannote/speaker-diarization-community-1, tokenyour-token) pipeline.to(torch.device(cuda)) # 放到 GPUCPU 也可运行但更慢 result pipeline(/path/to/audio.wav) # 执行说话人日志推理 # 打印每个片段开始时间、结束时间、说话人标签 for turn, speaker in result.speaker_diarization: print(f{turn.start:.1f}s - {turn.end:.1f}s speaker_{speaker})看到类似 0.2s - 1.5s speaker_0 的输出说明管道已正常工作。每一行代表一段连续发言标签切换就是换人说话同一个人会在整个文件中保持同一标签。这段结果可以直接导出为 RTTM 格式也可以拿去和 ASR 转写对齐。⚖️ 版本怎么选社区版 vs 专业版官方提供两条即用管道community-1 社区版开源、完全在你的机器上运行precision-2 专业版是 pyannoteAI 云服务推理在其服务器上完成使用 API key有免费额度自托管版本同样更快。两者返回的结果结构一致区别只在 from_pretrained 里传的模型名和令牌。官方基准数据说话人日志错误率单位 %越低越好更新于 2025-09数据集community-1precision-2提升幅度AMIIHM会议录音17.012.9约 24%DIHARD 320.214.7约 27%VoxConverse11.28.5约 24%选择原则数据敏感要本地跑、要做批量处理、或打算用自己的数据微调模型选 community-1追求更高精度、不想自己管算力选 precision-2。 跑通之后GPU 加速与批量处理什么时候值得做这些优化只验证几个短音频时CPU 就够了。要批量处理长音频时先确认 GPU 可用且模型已放在 GPU 上再循环处理即可device torch.device(cuda if torch.cuda.is_available() else cpu) pipeline.to(device) # 移动到可用设备 for wav in audio_files: # 批量处理音频文件列表 print(wav, pipeline(wav).speaker_diarization)常见问题Q安装失败或 torch、torchcodec 版本冲突 A确认 Python 版本为 3.10并在干净的虚拟环境里操作用 pip install pyannote.audio 安装最新版不要自行锁定旧版本。网络不畅时先更换包索引源再重试。Q运行速度很慢 A先确认 torch.cuda.is_available() 为真、模型已通过 .to() 移到 GPU。官方数据中H100 上处理 1 小时会议音频约需 14~31 秒CPU 则明显更慢GPU 下仍慢时检查安装的是否为 CUDA 版 torch。Q加载模型时令牌报错 A三种常见原因令牌格式不对HuggingFace 令牌以 hf_ 开头、模型的用户条款尚未接受、或者混用了令牌体系——社区版用 HuggingFace 令牌专业版用 pyannoteAI API key两者不能互换。 写在最后pyannote.audio 把音频里谁在什么时候说话变成了十几行代码的事一条社区版管道本地跑一条专业版管道云端调。跑通之后可以往这些方向继续走会议录音转写把说话人片段与 ASR 转写对齐生成带说话人归属的会议纪要播客结构化按说话人切分长节目便于归档、检索与二次创作访谈分析统计各方发言轮次、时长占比支撑内容分析。想继续深入用自己的数据微调、搭建自定义任务可以从 tutorials/ 下的示例 Notebook 入手完整项目文档见 README。【免费下载链接】pyannote-audioNeural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding项目地址: https://gitcode.com/GitHub_Trending/py/pyannote-audio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 pyannote.audio 说话人日志实战：安装、首跑与版本选择的完整路径
pyannote.audio 说话人日志实战安装、首跑与版本选择的完整路径【免费下载链接】pyannote-audioNeural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding项目地址: https://gitcode.com/GitHub_Trending/py/pyannote-audio一段 1 小时的会议录音十几位发言人你能快速知道每句话是谁说的吗这是说话人日志Speaker Diarization要解决的核心问题把音频自动切段并判断每一段是谁在说话。pyannote.audio 是基于 PyTorch 的说话人日志开源 Python 工具包自带开箱即用的预训练管道。这篇文章带你从零跑通第一个说话人日志结果并讲清楚社区版和专业版的区别与选择方式。 它解决什么问题输入是一段音频文件——会议录音、访谈、播客格式不限。输出是一组带说话人标签的片段每个片段有开始时间、结束时间和说话人标识。需要注意标签是匿名的如 speaker_0、speaker_1不是真实姓名工具只区分有几个不同的人说过话而不回答他们是谁。社区版还会额外返回一份排他说话人日志exclusive diarization保证每个时间段最多归一个说话人方便与转写结果对齐。下图是说话人日志结果在标注工具中的可视化效果波形按说话人分段每个色块就是一人的发言区间可以逐段确认或修正。 从零跑通准备与安装系统要求与安装 pyannote.audioPython 3.10 及以上版本GPU 非必需但强烈推荐纯 CPU 也能跑但处理长音频会明显更慢ffmpeg音频解码走 torchcodec依赖系统已安装 ffmpeg。安装只需两步python3 -m venv pyannote-env source pyannote-env/bin/activate # 创建并激活虚拟环境 pip install pyannote.audio # 安装工具包及其依赖获取 HuggingFace 令牌社区版管道在 HuggingFace 模型库上是受控模型需要三步准备注册 HuggingFace 账号并在账号设置页创建访问令牌打开 pyannote/speaker-diarization-community-1 模型页接受它的用户条款不accept则无法加载模型最后把令牌通过代码里的 token 参数传入。如果想手动预下载模型文件在模型页点击 Files and versions 标签在文件列表中找到权重文件即可下图是 pyannote 系列模型页的示意▶️ 第一次运行最小可运行示例import torch from pyannote.audio import Pipeline # 加载 community-1 说话人日志管道需 HuggingFace 令牌 pipeline Pipeline.from_pretrained( pyannote/speaker-diarization-community-1, tokenyour-token) pipeline.to(torch.device(cuda)) # 放到 GPUCPU 也可运行但更慢 result pipeline(/path/to/audio.wav) # 执行说话人日志推理 # 打印每个片段开始时间、结束时间、说话人标签 for turn, speaker in result.speaker_diarization: print(f{turn.start:.1f}s - {turn.end:.1f}s speaker_{speaker})看到类似 0.2s - 1.5s speaker_0 的输出说明管道已正常工作。每一行代表一段连续发言标签切换就是换人说话同一个人会在整个文件中保持同一标签。这段结果可以直接导出为 RTTM 格式也可以拿去和 ASR 转写对齐。⚖️ 版本怎么选社区版 vs 专业版官方提供两条即用管道community-1 社区版开源、完全在你的机器上运行precision-2 专业版是 pyannoteAI 云服务推理在其服务器上完成使用 API key有免费额度自托管版本同样更快。两者返回的结果结构一致区别只在 from_pretrained 里传的模型名和令牌。官方基准数据说话人日志错误率单位 %越低越好更新于 2025-09数据集community-1precision-2提升幅度AMIIHM会议录音17.012.9约 24%DIHARD 320.214.7约 27%VoxConverse11.28.5约 24%选择原则数据敏感要本地跑、要做批量处理、或打算用自己的数据微调模型选 community-1追求更高精度、不想自己管算力选 precision-2。 跑通之后GPU 加速与批量处理什么时候值得做这些优化只验证几个短音频时CPU 就够了。要批量处理长音频时先确认 GPU 可用且模型已放在 GPU 上再循环处理即可device torch.device(cuda if torch.cuda.is_available() else cpu) pipeline.to(device) # 移动到可用设备 for wav in audio_files: # 批量处理音频文件列表 print(wav, pipeline(wav).speaker_diarization)常见问题Q安装失败或 torch、torchcodec 版本冲突 A确认 Python 版本为 3.10并在干净的虚拟环境里操作用 pip install pyannote.audio 安装最新版不要自行锁定旧版本。网络不畅时先更换包索引源再重试。Q运行速度很慢 A先确认 torch.cuda.is_available() 为真、模型已通过 .to() 移到 GPU。官方数据中H100 上处理 1 小时会议音频约需 14~31 秒CPU 则明显更慢GPU 下仍慢时检查安装的是否为 CUDA 版 torch。Q加载模型时令牌报错 A三种常见原因令牌格式不对HuggingFace 令牌以 hf_ 开头、模型的用户条款尚未接受、或者混用了令牌体系——社区版用 HuggingFace 令牌专业版用 pyannoteAI API key两者不能互换。 写在最后pyannote.audio 把音频里谁在什么时候说话变成了十几行代码的事一条社区版管道本地跑一条专业版管道云端调。跑通之后可以往这些方向继续走会议录音转写把说话人片段与 ASR 转写对齐生成带说话人归属的会议纪要播客结构化按说话人切分长节目便于归档、检索与二次创作访谈分析统计各方发言轮次、时长占比支撑内容分析。想继续深入用自己的数据微调、搭建自定义任务可以从 tutorials/ 下的示例 Notebook 入手完整项目文档见 README。【免费下载链接】pyannote-audioNeural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding项目地址: https://gitcode.com/GitHub_Trending/py/pyannote-audio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考