请教关于说话人日志（diarization）的性能优化问题。

[LiHuo922]

老师您好！我碰到了一个性能优化问题，以下是我的问题描述： 功能需求： 对录音进行语音识别和说话人日志整合。 1. 语音识别文字，已使用whisper.cpp实现完成； 2. 说话人日志，采用sherpa-onnx实现了CPU推理。

我的whisper.cpp采用了vulkan加速，因为 sherpa-onnx 不支持vulkan加速，纯CPU推理的话，导致了对长录音执行时间太长，性能太低。但是用cuda是不现实的，因为cuda环境的安装对于普通pc用户来说还是有一定门槛的，而且cuda只支持nvidia显卡，所以只能抛弃掉。 目前我有一个设想，就是从 whisper.cpp 推理出来有时间戳，我能不能从这个时间戳中抽取出一小段音频给 sherpa-onnx 用嵌入模型进行说话人识别呢？这样就可以剩掉了分段模型的推理时间，虽然相对于采用分段模型进行分段，这个方法可能精度不是太高，但是这已经是我目前能想到的比较平衡的性能优化方案了。 如果上述优化方案可以实现的话，老师能不能指导一下实现的思路呢？或您有更好的方案的话，还请您不吝赐教，谢谢您！