N46Whisper
N46Whisper copied to clipboard
Ayanaminn
请问考虑在项目中加入声纹识别的功能吗？
（github怎么按了回车键直接就发出去了……我还没编辑完）
跑了个联动回，语音转文字后还需要逐行去标注说话人
然后翻到了一个声纹识别的包：
https://github.com/pyannote/pyannote-audio
应用项目：
https://github.com/yinruiqing/pyannote-whisper
https://github.com/lablab-ai/Whisper-transcription_and_diarization-speaker-identification-
https://github.com/JimLiu/whisper-podcast-subtitles
想问问考不考虑把这个集成进去OTZ 在多人联动的活动中应该能起到大作用……
翻了一下AEG，里面有个地方是这样的：
对应的代码是这么一句：
Dialogue: 0,0:03:08.99,0:03:09.91,VTB样式,難燃か（？）おめえ,0,0,0,,你还好吧
在“样式名”和“0,0,0”（不知道ASS里这个是什么含义OTZ）之间这个部分标注上speaker的话，后续就可以按照这个批量替换掉前面的样式了吧？（想了一下在语音转文字之前就设定好【声音-样式】的映射感觉不好实现，所以只要能识别出N个声音并标注在这个地方，然后手动把前面的样式替换成想要的样式，这个流程大概比较简单……）
所以如果能加在这个部分里的话，应该比较好处理一些？ （srt文件格式更不熟了……我再去翻一下OTZ）
从实用角度讲，这个功能最后实际输出希望以什么形式呢？ass/srt每一句都标注“speaker01”，“speaker02”这样？
看了一下srt文件的格式，好像srt文件没有能标注的部分？ 所以可能还是只能写入ASS文件……
（另外想问一下本地化还会做吗OTZ在线跑AI翻译对Colab pro的消耗忒大了……试着下载这个项目然后本地运行Jupyter Notebook，但是被各种依赖问题卡死了）
从实用角度讲，这个功能最后实际输出希望以什么形式呢？ass/srt每一句都标注“speaker01”，“speaker02”这样？
看了一下srt文件的格式，好像srt文件没有能标注的部分？ 所以可能还是只能写入ASS文件……
（另外想问一下本地化还会做吗OTZ在线跑AI翻译对Colab pro的消耗忒大了……试着下载这个项目然后本地运行Jupyter Notebook，但是被各种依赖问题卡死了）
開 docker 直接跑 colab 本地端啊
