SpeakerKit：可以快速、高效地识别音频中的不同说话人

SpeakerKit是什么？

SpeakerKit 是 Argmax 公司开发的一种 设备端说话人识别（Diarization）工具，可以快速、高效地识别音频中的不同说话人。它与 WhisperKit（一种音频转录工具）配合使用，能够生成带有说话人标签的转录文本。适用于需要快速、准确识别音频中说话人的应用场景。

SpeakerKit主要特点

速度：

• 在 iPhone 上处理 4 分钟音频时，SpeakerKit 仅需 约 1 秒 完成说话人识别，速度远超其他同类系统。

• 与 WhisperKit 结合使用时，转录和识别的总时间仅需 25 秒。

质量：

• SpeakerKit 的错误率与行业领先的系统（如 Pyannote）相当，尽管其速度提升了数倍。

体积：

• 总大小约为 10MB，便于集成到应用程序中或快速下载。

兼容性：

• 支持 iOS 16 和 macOS 13 及更高版本的设备。

• Android 支持正在开发中。

模块化：

• SpeakerKit 可与 WhisperKit 配合使用，生成带有说话人标签的转录文本，也可以与其他转录引擎集成，提供了比服务器端 API 更高的灵活性。

基准测试

Argmax 开发了一个名为 SDBench 的 Python 工具包，用于在 13 个广泛使用的数据集上标准化地测试说话人识别系统的性能。SDBench 的代码将开源，相关论文将于 2025 年 4 月发布。

未来规划

优化转录质量：目前SpeakerKit 的独立说话人识别质量已达到行业领先水平（通过 DER 测量）。下一步，团队将优化与 WhisperKit 的联合使用，以提升带有说话人标签的转录质量（通过 WDER 测量）。

说话人识别功能：SpeakerKit 将推出一项新功能，能够提取说话人的声纹，并在新的上下文中识别他们。

详细阅读：https://www.argmaxinc.com/blog/speakerkit

HuggingFace：https://huggingface.co/argmaxinc/speakerkit-pro