pyannote.audio 说话人日志实战三条命令从音频拿到谁在何时说话【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拿到一段多人会议录音想在几行代码里标出每一句话是谁、从第几秒说到第几秒——这件事 pyannote.audio 就是干这个的。它基于 PyTorch 构建内置一整套预训练说话人日志Speaker Diarization管道与模型开箱能直接跑效果不满意还能拿自己的数据继续微调。整个链路就三步——装依赖、拿 Token、跑管道没接触过音频处理的 Python 开发者也能半小时上手。一条命令拉齐依赖但先别忘装 ffmpeg装库本身没有任何花活唯一的前置条件是 ⚠️ 机器上得有 ffmpeg——它底层的音频解码组件 torchcodec 要靠 ffmpeg 读取音频文件漏了这一步报错信息还不好懂。库本体一行命令搞定uv add pyannote.audio # 或者 pip install pyannote.audio这条命令会把 pyannote.audio 主体和全部运行时依赖一次性装好用 uv 的话还能顺带管理虚拟环境。Python 3.7 以上即可有 NVIDIA GPU 的机器建议装好 CUDA训练和推理都能提速。接受用户条件 拿到 Token跑通管道的前提这步最容易踩坑官方管道托管在 Hugging Face 模型中心社区版pyannote/speaker-diarization-community-1的页面设置了用户条件要进页面点一次同意然后在账号的 Token 管理页创建一个只读 Access Token。两样都齐了from_pretrained才拉得下模型文件否则第一步就会卡在鉴权上。上面这个界面就是管道文件的所在地config.yaml里是整套说话人日志的参数定义各环节引用的模型权重会按需下载。用 3 行代码跑出第一份说话人日志核心调用是固定三步from_pretrained加载管道、to发到 GPU、直接调用取结果。import torch from pyannote.audio import Pipeline from pyannote.audio.pipelines.utils.hook import ProgressHook pipeline Pipeline.from_pretrained( pyannote/speaker-diarization-community-1, tokenHUGGINGFACE_ACCESS_TOKEN) pipeline.to(torch.device(cuda)) with ProgressHook() as hook: output pipeline(audio.wav, hookhook) for turn, speaker in output.speaker_diarization: print(f{turn.start:.1f}s → {turn.end:.1f}s {speaker})这段代码做的事加载社区版管道并送进 GPU对audio.wav跑一遍本地推理再把结果按时间片, 说话人标签逐条打印出来ProgressHook只是用来打印各步骤进度生产脚本里可以整个删掉。想上高级版precision-2时只改两行对准确率要求更高时切到付费服务版即可代码差异只有两处模型名换成pyannote/speaker-diarization-precision-2token 换成 pyannoteAI 的 API 密钥。pipeline Pipeline.from_pretrained( pyannote/speaker-diarization-precision-2, tokenPYANNOTEAI_API_KEY) output pipeline(audio.wav)这段代码把推理整段丢到对方服务器上执行本地连 GPU 都不需要音频传上去、结果按同样格式传回来后处理逻辑一行不用改。效果差多少高级版又快又准但贵看 2025 年 9 月更新的公开基准两者在 AISHELL-4 这类相对干净的数据上咬得很紧错误率都在 11% 出头差距在困难的会议场景拉开——AMI 上高级版把错误率压到 12.9%DIHARD 3 从 20.2% 降到 14.7%VoxConverse 从 11.2% 降到 8.5%。速度上高级版自托管版在 H100 上处理一小时 AMI 音频只要 14 秒社区版要 31 秒。结论很直白有预算、追指标选高级版要在本地把结果跑出来社区版完全够用。进阶提示遥测开关、本地调试与微调入口遥测默认只上报匿名使用统计不含音频内容不想发就设环境变量PYANNOTE_METRICS_ENABLED0或在会话里调set_telemetry_metrics(False)。想在本地跑测试、改代码验证装.[dev,testing]额外依赖后直接pytest。想拿自己的录音微调管道实现在src/pyannote/audio/pipelines/、模型定义在src/pyannote/audio/models/通常先用 Prodigy 标注工具标一小批数据再开训。图里带颜色块的时间区间和说话人标签就是喂给说话人日志管道做微调的训练数据长什么样。【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