nexus/wiki/entities/pyannote.audio.md

title, type, tags, sources, last_updated

title	type	tags	sources	last_updated
pyannote.audio	entity	speaker-diarization open-source huggingface	engineering-voice-ai-integration-engineer	2026-05-02

Aliases

• pyannote
• pyannote.audio

Definition

pyannote.audio 是一个开源的说话人分离（Speaker Diarization）库，通过 Hugging Face Hub 分发模型（pyannote/speaker-diarization-3.1）。支持音频流中"谁在何时说话"的自动检测，与 Whisper 类转录模型配套使用产生带说话人归属的转录结果。

Key Properties

• 模型：pyannote/speaker-diarization-3.1
• 访问方式：Hugging Face token（需申请同意 pyannote 模型协议）
• 硬件要求：GPU 推荐（CUDA），CPU 可运行但较慢
• 输入：任意格式音频（WAV/MP3/FLAC 等）
• 输出：[{start, end, speaker}] 格式的说话人片段列表

Usage

from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained(
    "pyannote/speaker-diarization-3.1",
    use_auth_token=hf_token
)
diarization = pipeline(audio_path, num_speakers=2)  # num_speakers 可选
for turn, _, speaker in diarization.itertracks(yield_label=True):
    print(f"{speaker}: [{turn.start:.1f}s - {turn.end:.1f}s]")

Connections

• OpenAIWhisper / FasterWhisper — 配套转录工具，分离结果与转录段落合并
• SpeakerDiarization — pyannote.audio 是该概念的参考实现
• AssemblyAI — 云端 ASR 替代（内置说话人分离）
• Deepgram — 另一云端 ASR 替代（内置说话人分离）

Sources

• engineering-voice-ai-integration-engineer