单纯做语音识别只能得到'说了什么'，而只有说话人分离则仅能知道'谁在什么时候说话'。将两者结合，才能真正构建出看懂对话的系统。
从工程落地的角度来看，把 OpenAI 的 Whisper 模型和 pyannote.audio 的说话人分离管线拼在一起，是解决'谁在什么时候说了什么'这一问题的完整方案。我们重点讨论技术思路、工程实现步骤以及真实业务中的取舍优化。
一、为什么要把 Whisper 和 pyannote.audio 拼在一起？
场景其实很明确：
- 客服中心想知道客户何时提问、座席如何回应；
- B 端会议系统需要生成带说话人标签的会议纪要，明确决策者和任务承接者；
- 播客或访谈节目希望自动生成按嘉宾分角色的文字稿，甚至支持按人检索。
核心需求统一为：在多说话人的音频或视频里，准确回答谁在什么时候说了什么。
- Whisper 负责「声音 → 文本」，提供内容；
- pyannote.audio 负责「声音 → 说话人时间轴」，提供结构。
如果只用 Whisper，通常拿到的是不带说话人信息的分段：
[
{"start": 0.5, "end": 3.2, "text": "大家好，今天我们来聊一下..."},
{"start": 3.3, "end": 7.8, "text": "我先简单介绍一下项目背景。"}
]
如果只用 pyannote.audio，说话人分离给出的是纯时间轴：
0.20s–2.10s SPEAKER_00 2.30s–5.00s SPEAKER_01 5.20s–8.40s SPEAKER_00 ...
当这两条时间轴对齐后，就能输出更有价值的结构化数据：
SPEAKER_00 [0.2–2.1] 大家好，今天我们来聊一下...
SPEAKER_01 [2.3–5.0] 我先简单介绍一下项目背景。
SPEAKER_00 [5.2–8.4] 好的，那我先从整体架构开始讲...
这就是我们真正想要的'谁在说什么'。上游是音频文件，中间经过 Whisper 和 pyannote.audio 处理，下游可以直接对接检索、质检、摘要或 BI 报表。一个普通的 .wav 文件瞬间变成了可结构化分析的数据源。
二、整体架构：从'原始音频'到'可用数据'的流水线
先把整个流程画成一条简单的数据管道：
- 音频输入：多说话人音频，如
meeting.wav、call.mp3。 - Whisper 语音识别：输出一串带时间戳的文本片段
[{start, end, text}, ...]。 - pyannote.audio 说话人分离：输出一串带说话人 ID 的时间片段
[{start, end, speaker}, ...]。 - 时间轴对齐 & 融合：按时间重叠度，把每条文本片段分配给最可能的说话人 ID。
- 结构化输出：JSON、Markdown 或纯文本
[{start, end, speaker, text}, ...]。
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：
- 搜索并接受使用条款：
pyannote/speaker-diarization-community-1。 - 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：
- 对于每个 Whisper 文本片段
seg； - 找出所有与之有时间重叠的说话人片段
turn； - 计算重叠时长
overlap(seg, turn)； - 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。