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:可以快速、高效地识别音频中的不同说话人.jpg

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。

SpeakerKit:可以快速、高效地识别音频中的不同说话人.webp

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

收藏
#人声分离软件

相关文章

最新工具
Presenton
Presenton

一个可以本地运行的开源AI PPT生成器,使用OpenAI、Ge...

Eigent AI
Eigent AI

全球首个桌面端多智能体生产力平台,采用多智能体协作架构,通过拆分...

NB Map
NB Map

灰色执照做的免费在线三维地图生成工具。它能根据真实地形数据,做出...

AI Dungeon
AI Dungeon

一款靠AI运行的文字冒险游戏。玩家可以自己选或创建冒险场景,像幻...

PairDrop
PairDrop

一款开源的跨平台文件传输工具,能通过在其他设备打开它、配对设备或...

Oldswf
Oldswf

专门提供经典Flash小游戏的网站,收录了超过5万多不同类型的游...

AutoClip
AutoClip

一款AI智能视频切片工具,能自动下载B站视频、剪辑精彩片段并生成...

EdClub
EdClub

一个提供高品质课程的学习平台,EdClub主要提供打字学习、词汇...

Resource Boy
Resource Boy

一个提供高质量免费样机等设计资源的网站,有很多素材,像材质、笔刷...

AlternativeTo
AlternativeTo

一个众包软件推荐平台,可以帮用户找到更好的应用和服务。你可以搜各...