1.7 KiB
1.7 KiB
title, type, tags, last_updated
| title | type | tags | last_updated | |||
|---|---|---|---|---|---|---|
| SpeakerDiarization | concept |
|
2026-05-02 |
SpeakerDiarization（说话人分离）
Definition
Speaker Diarization（说话人分离）是自动识别音频中"谁在说话、何时说话"的技术。通过声纹特征聚类将连续音频划分为不同说话人的片段，并为每个片段标注说话人标签（SPEAKER_00, SPEAKER_01 等）。
Key Properties
- 主流工具：
pyannote.audio（开源）、AssemblyAI 内置、Deepgram 内置 - 输入：原始音频（或已切块的音频）
- 输出：
[{start, end, speaker}]格式的说话人片段列表 - 准确度影响因素：说话人数已知 vs 未知（已知可显著提高准确度）、音频质量、重叠语音
- 与转录的集成：分离结果通过时间重叠与转录段落合并，产生
TranscriptSegment（带 speaker 标签）
Pipeline Role
音频 → pyannote.audio → 说话人片段
↓ 合并（时间重叠匹配）
FasterWhisper → 转录段落
↓
带说话人归属的转录段落
Related Concepts
- VoiceActivityDetection — Diarization 的前置处理
- StructuredTranscriptJSON — Diarization 结果的输出目标
- LLMHandoff — 带说话人归属的转录文本下游传递给 LLM
Related Entities
- pyannote.audio — 主要开源 Diarization 工具
- AssemblyAI — 带 Diarization 的云端 ASR 替代方案
- Deepgram — 带 Diarization 的另一云端 ASR 选项