音声認識の世界では、OpenAIが開発したwhisperというモデルが話題になりましたね。99言語に対応しており、日本語の音声認識の精度も抜群です。 非常に優秀なwhisperですが、いつ誰が話したのかを認識する、いわゆる「話者分離」はできません…。 ということで、アドベントカレンダー8日目の記事では、pyannote.audioというライブラリを使った話者分離方法について紹介します。 pyannote.audioの概要 pyannote.audioは、話者分離のためのPythonによるオープンソースフレームワークです。 下記のようなパイプラインで話者分離を実現しています。 論文:pyannote.audio: neural building blocks for speaker diarization Github:https://github.com/pyannote/pyannote
![pyannote.audioで簡単話者分離〜whisperを添えて〜 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/f331fc29b48de1407d64a24baacb3a694014991f/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZ0eHQ9cHlhbm5vdGUuYXVkaW8lRTMlODElQTclRTclQjAlQTElRTUlOEQlOTglRTglQTklQjElRTglODAlODUlRTUlODglODYlRTklOUIlQTIlRTMlODAlOUN3aGlzcGVyJUUzJTgyJTkyJUU2JUI3JUJCJUUzJTgxJTg4JUUzJTgxJUE2JUUzJTgwJTlDJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWNsaXA9ZWxsaXBzaXMmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz00YTM4ODBhNDQxN2E5NjgzNWJmZmE4ZjM4YTdlNjY0Ng%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwc2F5bzAxMjcmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWViMDNiNDc1Njc3NmUzZjY5OTBkNDU0YjhlNTNiMDhk%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3D4b31ab3a760d0b474a1ca8501429adda)