如何用 Whisper Diarization 三步从一段录音中拿到带说话人标签的转录稿-育师

如何用 Whisper Diarization 三步从一段录音中拿到带说话人标签的转录稿

【免费下载链接】whisper-diarizationAutomatic Speech Recognition with Speaker Diarization based on OpenAI Whisper项目地址: https://gitcode.com/GitHub_Trending/wh/whisper-diarization

Whisper Diarization 是基于 OpenAI Whisper 的自动语音识别工具：它一次完成说话人分离与文字转写，输出带说话人标签的转录稿和标准 SRT 字幕文件。适合需要把会议录音、访谈、播客快速变成可检索文本的人。

🔊 一段录音不好翻，怎么知道谁说了什么

会议结束，留下一段两小时的录音。想查“这句话是谁说的”，只能把整段音频从头听到尾。就算转成了文字，没有说话人标签，文稿还是一大团，谁都不想看。

🚀 三条命令跑通：从克隆到出稿

先备好三样东西：Python 3.10+、FFmpeg、Cython。然后在项目目录里依次运行：

git clone https://gitcode.com/GitHub_Trending/wh/whisper-diarization

pip install -c constraints.txt -r requirements.txt

python diarize.py -a 你的音频文件.mp3

跑完，带说话人标签的转录稿就出来了。

它是怎么做到的：四级流水线

先单独拎出人声

处理前先用 Demucs 把原音频里的人声轨分离出来，减少背景音乐和噪声对说话人识别的干扰。如果音频本身是纯人声，加--no-stem可跳过这一步，处理逻辑在 diarize.py 里。

用 Whisper 转写并逐词对齐

用 faster-whisper 做转写，默认模型medium.en。同时用 ctc-forced-aligner 做强制对齐，给每个词标出精确的起止时间戳，这是后面把词对到说话人名下的基础。

把每个词归给对的人

默认的 MSDD 模型给出每个说话人的活动时间段，也可以用--diarizer sortformer换成 Sortformer（上限 4 人）。流水线再按词的时间戳逐个匹配到对应说话人，模型在 diarization/ 目录中。

恢复标点修正句界

对英语、法语等受支持的语言，用标点恢复模型补回句末标点，再按句子重新对齐说话人归属，修正句首句尾的时间戳漂移。匹配逻辑见 helpers.py。

🎯 三个真实用法：纪要、字幕、并行加速

会议录音转带标签纪要

输入是会议录音。运行python diarize.py -a 会议.mp3，得到逐段标注 Speaker 0、1、2 的 .txt 文稿，外加一份对应的 .srt。

播客转视频直接可用的字幕

输入是播客音频，命令同上。得到的 .srt 每条都是“Speaker X：文字”格式并带时间码，可直接导入剪辑软件出字幕。

显存 10GB 以上的 GPU 走并行

运行python diarize_parallel.py -a 你的音频.mp3。它让 NeMo 与 Whisper 各占一个进程同时跑，结果与串行版一致，速度更快；作者标注该模式为实验特性。

常用参数怎么调

参数	作用	建议值
`-a`	要处理的音频文件（必填）	你的文件路径
`--whisper-model`	Whisper 转写模型	`medium.en`（默认）；非英语换对应多语言版本
`--batch-size`	批量推理大小	默认 8；显存不足就调小，0 为关闭批量
`--diarizer`	说话人分离模型	`msdd`（默认，人数不限）；`sortformer`限 4 人以内
`--language`	手动指定语言	留空自动检测；检测失败时手动填

调优建议：出现显存不足先降--batch-size，再考虑--device cpu；文稿里数字很多就加--suppress_numerals，数字会转成文字形式，对齐更准。

📄 跑完你会得到哪两个文件

xxx.txt：分段的转录文稿，每段开头标注说话人标签。
xxx.srt：标准 SRT 字幕文件，每条含时间码与说话人。
运行中的临时文件（temp_outputs_*）结束后自动删除。

🔧 三个最常见的报错及对策

运行中显存不足（OOM）原因：批量太大或显存不够。对策：调小--batch-size（可到 0），或换更小的--whisper-model。

语言识别错、转写乱码原因：自动检测失败，或给仅支持英语的.en模型指定了其他语言。对策：手动指定--language；.en模型只处理英语音频。

说话人切换处错标、文稿数字多原因：数字符号干扰强制对齐，时间戳有轻微漂移。对策：加--suppress_numerals重跑。

谁该用，深入看哪里

需要把录音批量变成可检索文本的会议记录、字幕制作、客服分析场景，选它合适。想理解分离模型看 diarization/，想改说话人映射和字幕输出逻辑看 helpers.py。项目目前也在推进重叠说话处理与 SRT 句长限制两个方向。

现在就可以拿一段自己的音频，把那条命令跑起来。

【免费下载链接】whisper-diarizationAutomatic Speech Recognition with Speaker Diarization based on OpenAI Whisper项目地址: https://gitcode.com/GitHub_Trending/wh/whisper-diarization

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考