结合 Whisper 与 pyannote.audio 实现说话人分离转写系统

关键点在于：Whisper 和 pyannote.audio 各自独立运行，只在'时间轴'上交汇；整合步骤是纯 Python 逻辑，不依赖大模型，易于封装成服务接口。

三、Whisper 部分：要的是'带时间戳的转写结果'

Whisper 用法主要有两类：调用 OpenAI 官方 API 云端模型，或在本地部署开源版（openai-whisper 或 faster-whisper）。无论哪种，只关心一件事：能否拿到形如 [{start, end, text}, ...] 的分段结果。

3.1 用 OpenAI 官方 API

先安装依赖：

pip install openai
pip install python-dotenv

典型调用方式如下（注意参数名需根据 SDK 版本调整，这里强调思路和结构）：

from openai import OpenAI

client = OpenAI(api_key="YOUR_OPENAI_API_KEY")
audio_file_path = "audio.wav"

with open(audio_file_path, "rb") as f:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=f,
        response_format="verbose_json",      # 拿到详细分段和时间戳
        timestamp_granularities=["segment"], # 告诉服务我要时间戳
        language="zh"                        # 或 "en" / "auto"
    )

segments = [
    {
        "start": seg["start"],
        "end": seg["end"],
        "text": seg["text"].strip(),
    }
    for seg in transcription.segments
]

for seg in segments:
    print(f"[{seg['start']:.2f}–{seg['end']:.2f}] {seg['text']}")

只要 segments 里有 start / end / text 三个字段，后面就可以无缝进入融合步骤。

3.2 用本地 Whisper（可选）

出于成本或隐私考虑想在本地跑 Whisper，大致调用方式如下：

import whisper

model = whisper.load_model("medium")  # 或 tiny/base/small/large
result = model.transcribe("audio.wav", language="zh")

segments = [
    {
        "start": seg["start"],
        "end": seg["end"],
        "text": seg["text"].strip(),
    }
    for seg in result["segments"]
]

只要输出结构类似，后面的代码不用任何改动。

四、pyannote.audio 部分：要的是'谁在什么时候说话'

站在用户视角看使用方法即可。

4.1 安装和授权

pip install pyannote.audio

然后在 Hugging Face 上操作：

1. 搜索并接受使用条款：pyannote/speaker-diarization-community-1。
2. 在个人设置里创建一个 Access Token（记为 YOUR_HF_TOKEN）。

4.2 调用说话人分离管线

from pyannote.audio import Pipeline

pipeline = Pipeline.from_pretrained(
    "pyannote/speaker-diarization-community-1",
    use_auth_token="YOUR_HF_TOKEN",  # 新版可用 token=...
)
diarization = pipeline("audio.wav")

speaker_turns = []
for turn, speaker in diarization.itertracks(yield_label=True):
    speaker_turns.append({
        "start": float(turn.start),
        "end": float(turn.end),
        "speaker": str(speaker),
    })

for t in speaker_turns:
    print(f"[{t['start']:.2f}–{t['end']:.2f}] {t['speaker']}")

现在手上有两套时间片段：

• Whisper：segments = [{start, end, text}, ...]
• pyannote：speaker_turns = [{start, end, speaker}, ...]

接下来就是时间轴融合的重头戏。

五、关键步骤：用时间重叠度给文本片段'认爹'（分配说话人）

融合的核心思想很简单：这句话，大部分时间是谁在说，就归谁。

更形式化一点：

1. 对于每个 Whisper 文本片段 seg；
2. 找出所有与之有时间重叠的说话人片段 turn；
3. 计算重叠时长 overlap(seg, turn)；
4. 把重叠时长最大的那个 speaker 赋给该文本片段。

5.1 计算时间重叠的辅助函数

def overlap(a_start, a_end, b_start, b_end) -> float:
    left = max(a_start, b_start)
    right = min(a_end, b_end)
    return max(0.0, right - left)

5.2 完整的融合函数

from typing import List, Dict

def assign_speaker_to_segments(
    segments: List[Dict],
    speaker_turns: List[Dict],
) -> List[Dict]:
    """为每个 Whisper 文本片段分配说话人 ID。
    Parameters
    ----------
    segments : list of dict
        每个元素形如 {"start": float, "end": float, "text": str}
    speaker_turns : list of dict
        每个元素形如 {"start": float, "end": float, "speaker": str}
    Returns
    -------
    list of dict
        每个元素形如 {"start", "end", "text", "speaker"}
    """
    def overlap(a_start, a_end, b_start, b_end) -> float:
        left = max(a_start, b_start)
        right = min(a_end, b_end)
        return max(0.0, right - left)

    results = []
    for seg in segments:
        seg_start, seg_end = seg["start"], seg["end"]
        best_speaker = None
        best_overlap = 0.0
        for turn in speaker_turns:
            ov = overlap(seg_start, seg_end, turn["start"], turn["end"])
            if ov > best_overlap:
                best_overlap = ov
                best_speaker = turn["speaker"]
        results.append({
            "start": seg_start,
            "end": seg_end,
            "text": seg["text"],
            "speaker": best_speaker or "UNKNOWN",
        })
    return results

调用示例：

final_segments = assign_speaker_to_segments(segments, speaker_turns)
for seg in final_segments:
    print(f"{seg['speaker']} [{seg['start']:.2f}–{seg['end']:.2f}] {seg['text']}")

这样你就得到了一份结构大致如下的结果：

[
    {
        "start": 0.5,
        "end": 3.2,
        "text": "大家好，今天我们来聊一下...",
        "speaker": "SPEAKER_00"
    },
    {
        "start": 3.3,
        "end": 7.8,
        "text": "我先简单介绍一下项目背景。",
        "speaker": "SPEAKER_01"
    }
]

这就已经是一个可以直接喂给前端、数据库或者下游 LLM 的'成品数据格式'了。

六、封装成一个可复用的高层 API

为了避免在项目里四处复制粘贴，我们可以把转写 + 说话人分离 + 融合封装成一个统一函数。

6.1 高层封装：transcribe_and_diarize

from typing import List, Dict
from openai import OpenAI
from pyannote.audio import Pipeline

def transcribe_and_diarize(
    audio_path: str,
    openai_client: OpenAI,
    whisper_model: str,
    diarization_pipeline: Pipeline,
) -> List[Dict]:
    """对单个音频做转写 + 说话人分离，并融合结果。
    返回形如 [{start, end, speaker, text}, ...] 的列表。
    """
    # 1) Whisper 转写
    with open(audio_path, "rb") as f:
        transcription = openai_client.audio.transcriptions.create(
            model=whisper_model,
            file=f,
            response_format="verbose_json",
            timestamp_granularities=["segment"],
        )
    segments = [
        {
            "start": seg["start"],
            "end": seg["end"],
            "text": seg["text"].strip(),
        }
        for seg in transcription.segments
    ]
    # 2) 说话人分离
    diarization = diarization_pipeline(audio_path)
    speaker_turns = [
        {
            "start": float(turn.start),
            "end": float(turn.end),
            "speaker": str(speaker),
        }
        for turn, speaker in diarization.itertracks(yield_label=True)
    ]
    # 3) 时间轴融合
    return assign_speaker_to_segments(segments, speaker_turns)

6.2 实际调用长什么样？

from openai import OpenAI
from pyannote.audio import Pipeline

client = OpenAI(api_key="YOUR_OPENAI_API_KEY")
diar_pipeline = Pipeline.from_pretrained(
    "pyannote/speaker-diarization-community-1",
    use_auth_token="YOUR_HF_TOKEN",
)

results = transcribe_and_diarize(
    "audio.wav",
    openai_client=client,
    whisper_model="whisper-1",  # 或其他支持的模型
    diarization_pipeline=diar_pipeline,
)

for r in results:
    print(f"{r['speaker']} [{r['start']:.2f}–{r['end']:.2f}] {r['text']}")

这样，一整条处理链路就被藏进了一个函数里，外层只需要关心音频在哪、用哪个 Whisper 模型、用哪个说话人分离管线。其余的都交给这层封装搞定。

七、实战中的几个现实问题与工程取舍

理论路线图画完，落地的时候通常会遇到一堆非常现实的问题。提前帮你打几个预防针。

7.1 Whisper：云端 vs 本地

云端（OpenAI API）优点：

• 不用管模型部署、GPU 资源、负载均衡；
• 模型持续更新，新版本上线直接可用；
• 对于中小规模调用来说，开发效率极高。

本地 Whisper 优点：

• 大规模离线处理时，长期成本可控；
• 对数据合规/隐私要求高时更安心（音频不出内网）；
• 可以更细致地控制 batch、并发、缓存等细节。

一个常见的折中策略是：POC/内部试点/小流量阶段先用 OpenAI API，确认效果、场景、ROI 后再评估是否迁移到本地部署。

7.2 说话人 ID 与'真实身份'的映射问题

pyannote.audio 给你的 SPEAKER_00 / SPEAKER_01 等，只是'时间上同一说话人的聚类 ID'，它并不知道这个人到底是谁。

如果需要'识别出张三/李四'，还有一整条'说话人识别/声纹识别'的路线要走：

• 用说话人验证模型对比声纹；
• 或结合视频做人脸识别，然后做跨模态匹配；
• 或者在业务侧某些角色是已知的（例如：坐席是已知 ID，客户是未知 ID）。

建议是：先把'分人说话'的问题做好，再按需一点点加上'谁是谁'的逻辑，而不是一上来就同时搞定。

7.3 时间戳误差与边界模糊

Whisper 和 pyannote.audio 在时间戳上往往有小量误差：前处理方式不同、模型对边界的判断不同、Whisper 的 segment 粒度有时会比较粗。

在大多数业务场景，这种 0.1~0.3 秒级的误差是可以接受的；但如果你要做的是合规审计或精确到帧的裁剪/对齐，那就需要更谨慎。可以用一些方式做缓冲：

• 在计算重叠时，把 Whisper 文本片段的 start/end 前后各扩展 0.1s；
• 对特别敏感的规则，统一以 pyannote.audio 的 VAD/分段时间轴 为基准。

7.4 性能与并发

实际部署时还会遇到这些问题：如何同时处理多路音频、如何避免重复加载模型、如何缓存处理结果。

这里的经验是：

• 把'处理单个音频'的逻辑写成纯函数风格；
• 把模型实例、客户端放在更高一层管理；
• 预留日志、监控、指标埋点，方便后面排查哪一步慢、哪一步出错。

八、延伸玩法：有了'谁在说什么'，还能玩什么花样？

当你已经拥有 [{start, end, speaker, text}, ...] 这样的结构之后，后面能玩的东西就多了。

8.1 带说话人语境感知的摘要 & 问答

给 LLM 喂上下文时，不再只是干巴巴一长串文本，而是明确标出说话人：

SPEAKER_00: 大家好，今天我们来聊一下...
SPEAKER_01: 我先简单介绍一下项目背景。
SPEAKER_00: 好的，那我先从整体架构开始讲...

你可以让模型总结'客户'说了什么，总结某个嘉宾的观点合集，或者针对某个说话人的发言做评价或建议。

8.2 会议信息结构化

有了说话人时间轴，这些事情就顺理成章了：

• 每个人的发言时长、轮次数量；
• 谁提出了议题，谁给出了决策；
• 发言打断、插话频次（尤其在销售、谈判、教练等场景）。

很多'自动会议纪要 + 行动项追踪'的产品，核心其实就是：说话人分离 + 语音识别 + 一层比较聪明的业务逻辑。

8.3 客服质检与智能辅导

在客服场景里，'谁在说什么'是无数质检规则的底座：

• 是否出现'长时间客户独自讲话而坐席没反馈'？
• 是否频繁出现'坐席打断客户'？
• 是否按要求完成了'身份核验/风险提示/总结回顾'？

这些本质上都是'基于时间轴的行为分析'，而 Whisper + pyannote.audio 正好给了你构建这条时间轴的工具。

九、结语：让时间轴长出'人'的轮廓

Whisper 让机器听懂了'说了什么'；pyannote.audio 让机器知道'谁在什么时候说话'。把这两者拼在一起，机器就开始慢慢具备一种更接近人类的'听觉理解能力'——它不再只是一堆文本，而是一场有角色、有结构、有互动的对话。

表面上看，我们只是给转写结果多加了一个 speaker 字段；实际上，这一列信息往往是从'能用'到'好用'的那一步关键跨越。

如果你已经在用 Whisper 做语音识别，非常建议顺手把 pyannote.audio 串进来试一试；如果你在玩说话人分离，也不妨用 Whisper 把你的时间轴'填上文字'。当系统开始真正回答'谁在什么时候说了什么'，你会发现，后面很多曾经看起来很难的需求，其实离落地也就差一个好点子和几段代码了。