企业官网建设流程全解析

pyannote.audio 说话人日志完整教程：版本对比、安装与落地实践

【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

pyannote.audio 是基于 Python 的说话人日志（speaker diarization）工具，把一段音频切分为"谁在什么时间说话"的时间段。会议转写、播客整理、音频分析这类任务都适用。

哪个版本更适合你？

先给结论：本地有 GPU，选 community-1 社区版；精度要求更高、不介意上云，选 precision-2 专业版。

两者输出结构一致，差别在精度与运行位置。community-1 是开源模型，在本机推理；precision-2 由 pyannoteAI 的云端服务器执行。

表中是说话人日志错误率（Diarization Error Rate），越低越好。三个数据集上，专业版的误差比社区版低 24%～27%。

安装 pyannote.audio 并获取 Hugging Face 授权

按顺序做四步：

1. 确认 Python 不低于 3.10。创建虚拟环境（python3 -m venv pyannote-env并激活），然后pip install pyannote.audio。
2. 安装 ffmpeg。音频解码依赖它，可用ffmpeg -version验证是否可用。
3. 在 Hugging Face 的 pyannote/speaker-diarization-community-1 模型页面接受用户条款，再到账户设置里创建一个访问令牌。
4. 获取模型文件。首次调用Pipeline.from_pretrained会自动下载；也可在模型仓库的 Files and versions 页面手动拿到pytorch_model.bin。

跑通第一条音频

import torch from pyannote.audio import Pipeline from pyannote.audio.pipelines.utils.hook import ProgressHook pipeline = Pipeline.from_pretrained( "pyannote/speaker-diarization-community-1", token="HUGGINGFACE_ACCESS_TOKEN") pipeline.to(torch.device("cuda" if torch.cuda.is_available() else "cpu")) with ProgressHook() as hook: output = pipeline("audio.wav", hook=hook) for turn, speaker in output.speaker_diarization: print(f"{turn.start:.1f}s-{turn.end:.1f}s {speaker}")

输出每行是一个说话段：起始时间、结束时间，以及一个说话人标签，如 SPEAKER_00、SPEAKER_01。同一标签出现在不相邻的段落里，代表是同一个人先后开口。结果是一个带时间戳的标注结构，可以直接遍历、过滤或导出。

批量处理与参数怎么调

批量处理只需把调用放进循环，逐条得到结果：

for path in audio_files: output = pipeline(path) # 结果存为 RTTM 或 JSON

调参看管道仓库根目录的 config.yaml，它记录了说话人数约束、聚类等超参数。单跑一个文件时想临时覆盖某个值，直接在调用里传参即可，例如pipeline("audio.wav", min_speakers=2, max_speakers=4)。

precision-2 走的是另一条路：不需要本地 GPU，音频在 pyannoteAI 服务器执行后返回结果。只把仓库名和密钥换掉即可切换：

pipeline = Pipeline.from_pretrained( "pyannote/speaker-diarization-precision-2", token="PYANNOTEAI_API_KEY") output = pipeline("audio.wav") # 在 pyannoteAI 服务器上执行

结果怎么落地

分段结果适合直接喂给标注工具。下图是 pyannote.audio 与 Prodigy 的集成界面：波形与说话人分段同屏显示，SPEAKER_00、SPEAKER_01 等标签可管理，每个时间戳都能编辑、确认或拒绝，改模型错判并沉淀标注数据的成本很低。

典型落地场景有三个：

• 会议记录自动化：把分段与 ASR 文本对齐，得到带发言人、带时间戳的逐句纪要。
• 播客结构化：按说话人切分节目，再分角色做摘要或章节归纳。
• 音频取证：对比多个录音里同一说话人的出现位置，辅助交叉验证采访内容。

更多用法可参考官方教程。

安装失败或跑得慢，怎么解决？

安装失败怎么排查

• 检查 Python 版本：python --version需显示 3.10 及以上，3.9 及以下会直接装不上。
• 确认装进了当前虚拟环境：pip show pyannote.audio能看到版本才说明导入来源正确。
• 首次下载模型走 Hugging Face 网络，公司内网可能需要配置代理。

运行速度慢怎么优化

• 确认模型已放到 GPU 上：示例里pipeline.to(torch.device(...))这行会自动选择设备，CPU 环境不会报错但会明显变慢。
• 检查 torch 是否为 CUDA 构建：torch.cuda.is_available()返回 True 才算真正启用 GPU。
• 长音频量大时，改走 precision-2 云端执行，省去本地推理开销。

找一段自己的录音，把audio.wav换成它，把上面的代码原样跑一遍。看到分段结果后，再回头调 config.yaml 里的说话人数约束。

【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