摘要

我们推出了 pyannote.audio，这是一个基于 Python 编写的开源工具包，专用于说话人分割（speaker diarization）。该工具包基于 PyTorch 机器学习框架，提供了一系列可训练的端到端神经模块，这些模块可灵活组合并联合优化，用于构建高效的说话人分割流水线。此外，pyannote.audio 配备了覆盖多种应用场景的预训练模型，涵盖语音活动检测（voice activity detection）、说话人切换检测（speaker change detection）、重叠语音检测（overlapped speech detection）以及说话人嵌入（speaker embedding）等任务，其在大多数任务上均达到了当前最优（state-of-the-art）的性能水平。