/ Модель

Характеристики

Лицензия
MIT
Опубликована
8 ноя 2022

pyannote-segmentation

Поиск речи в аудиоАудио → label6 профессий

Модель pyannote.audio для обнаружения речевых участков, перекрывающейся речи и сегментации говорящих в аудиозаписях.

374скачиваний за 30 дней10лайковвеса обновлены8 ноя 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель сегментации речи разработана Hervé Bredin и Antoine Laurent для работы с pyannote.audio. Она анализирует аудиозаписи, определяет речевые участки и поддерживает обнаружение перекрывающейся речи и повторную сегментацию говорящих. В README приведены сценарии применения на данных AMI, DIHARD3 и VoxConverse, включая настройку порогов для детектирования речевой активности, перекрытий и повторной сегментации VBx.

Модель распространяется в формате PyTorch и используется через pyannote.audio; README указывает на версию 2.0, находившуюся в разработке на момент публикации. Репозиторий создан 8 ноября 2022 года. Лицензия — MIT. В карточке не приведены сведения об архитектуре, числе параметров, длине контекста или поддерживаемых языках.

Сценарии применения

  • определение участков речи в аудиозаписях
  • обнаружение одновременной речи нескольких говорящих
  • повторная сегментация результатов диаризации
  • подготовка речевых сегментов для анализа записей совещаний

Ограничения

Для использования требуется pyannote.audio; README отмечает, что описанная версия 2.0 тогда находилась в разработке. Качество может зависеть от аудиодомена и от настроек порогов для конкретного набора данных.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🎹 Speaker segmentation

Example

Model from End-to-end speaker segmentation for overlap-aware resegmentation,
by Hervé Bredin and Antoine Laurent.

Online demo is available as a Hugging Face Space.

Support

For commercial enquiries and scientific consulting, please contact me.
For technical questions and bug reports, please check pyannote.audio Github repository.

Usage

Relies on pyannote.audio 2.0 currently in development: see installation instructions.

Voice activity detection

from pyannote.audio.pipelines import VoiceActivityDetection
pipeline = VoiceActivityDetection(segmentation="pyannote/segmentation")
HYPER_PARAMETERS = {
  # onset/offset activation thresholds
  "onset": 0.5, "offset": 0.5,
  # remove speech regions shorter than that many seconds.
  "min_duration_on": 0.0,
  # fill non-speech regions shorter than that many seconds.
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
vad = pipeline("audio.wav")
# `vad` is a pyannote.core.Annotation instance containing speech regions

Overlapped speech detection

from pyannote.audio.pipelines import OverlappedSpeechDetection
pipeline = OverlappedSpeechDetection(segmentation="pyannote/segmentation")
pipeline.instantiate(HYPER_PARAMETERS)
osd = pipeline("audio.wav")
# `osd` is a pyannote.core.Annotation instance containing overlapped speech regions

Resegmentation

from pyannote.audio.pipelines import Resegmentation
pipeline = Resegmentation(segmentation="pyannote/segmentation", 
                          diarization="baseline")
pipeline.instantiate(HYPER_PARAMETERS)
resegmented_baseline = pipeline({"audio": "audio.wav", "baseline": baseline})
# where `baseline` should be provided as a pyannote.core.Annotation instance

Raw scores

from pyannote.audio import Inference
inference = Inference("pyannote/segmentation")
segmentation = inference("audio.wav")
# `segmentation` is a pyannote.core.SlidingWindowFeature
# instance containing raw segmentation scores like the 
# one pictured above (output)

Reproducible research

In order to reproduce the results of the paper "End-to-end speaker segmentation for overlap-aware resegmentation ", use pyannote/segmentation@Interspeech2021 with the following hyper-parameters:

Voice activity detectiononsetoffsetmin_duration_onmin_duration_off
AMI Mix-Headset0.6840.5770.1810.037
DIHARD30.7670.3770.1360.067
VoxConverse0.7670.7130.1820.501
Overlapped speech detectiononsetoffsetmin_duration_onmin_duration_off
AMI Mix-Headset0.4480.3620.1160.187
DIHARD30.4300.3200.0910.144
VoxConverse0.5870.4260.3370.112
Resegmentation of VBxonsetoffsetmin_duration_onmin_duration_off
AMI Mix-Headset0.5420.5270.0440.705
DIHARD30.5920.4890.1630.182
VoxConverse0.5370.7240.4100.563

Expected outputs (and VBx baseline) are also provided in the /reproducible_research sub-directories.

Citation

@inproceedings{Bredin2021,
  Title = {{End-to-end speaker segmentation for overlap-aware resegmentation}},
  Author = {{Bredin}, Herv{\'e} and {Laurent}, Antoine},
  Booktitle = {Proc. Interspeech 2021},
  Address = {Brno, Czech Republic},
  Month = {August},
  Year = {2021},
@inproceedings{Bredin2020,
  Title = {{pyannote.audio: neural building blocks for speaker diarization}},
  Author = {{Bredin}, Herv{\'e} and {Yin}, Ruiqing and {Coria}, Juan Manuel and {Gelly}, Gregory and {Korshunov}, Pavel and {Lavechin}, Marvin and {Fustes}, Diego and {Titeux}, Hadrien and {Bouaziz}, Wassim and {Gill}, Marie-Philippe},
  Booktitle = {ICASSP 2020, IEEE International Conference on Acoustics, Speech, and Signal Processing},
  Address = {Barcelona, Spain},
  Month = {May},
  Year = {2020},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели pyannote требуют отдельного рантайма.

Ревизия весов
d13283c

0 моделей