企业官网建设流程全解析

从环境准备到首次推理：pyannote.audio 安装与配置教程

【免费下载链接】pyannote-audioNeural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding项目地址: https://gitcode.com/GitHub_Trending/py/pyannote-audio

会议录音里四五个人轮流开口，想自动把每段话归属到具体的人？这就是说话人日志要干的事。pyannote.audio 是一个基于 PyTorch 的开源说话人日志工具包，本教程带你完成 pyannote.audio 安装与配置，从零跑通第一次推理。

它能帮你解决什么

• 长录音自动转成"谁在什么时间说了什么"的说话人日志（speaker diarization）
• 检测音频中哪些区间有人在说话、哪些区间出现两人同时说话
• 为每段语音生成说话人嵌入向量，用于"这是不是同一个人"的比对

动手前：pyannote.audio 环境要求

先过一遍环境清单，避免装到一半才发现缺东西。

必需：

• Python 3.10 及以上（包声明requires-python >=3.10）
• ffmpeg，音频解码依赖它
• 稳定的网络，首次运行要下载模型权重
• Hugging Face 账号，以及一个访问令牌（官方模型为门控发布）

可选：

• NVIDIA GPU 和对应 CUDA 版本，推理明显更快；没有也能用 CPU 跑

pyannote.audio 安装步骤

创建一个隔离的虚拟环境

依赖装进系统 Python 容易污染全局环境，先建一个独立环境。

python3 -m venv ~/.venvs/pyannote source ~/.venvs/pyannote/bin/activate

激活成功后，命令行提示符最前面会出现(.venvs/pyannote)之类的前缀。

安装 ffmpeg

音频解码库torchcodec靠 ffmpeg 解析音频文件，缺了它连 wav 都读不进来。

# Debian / Ubuntu sudo apt-get install -y ffmpeg # macOS brew install ffmpeg

运行ffmpeg -version，能打印版本号即装好。

添加 pyannote.audio 包

这是核心安装动作，装完顺手验证 import 是否可用。

pip install uv uv add pyannote.audio python -c "import pyannote.audio; print(pyannote.audio.__version__)"

最后一条命令打印出版本号且不抛异常，说明安装成功；依赖较多，第一次可能要等一两分钟。

项目 README 推荐用 uv 安装；手头没有 uv 的话，pip install pyannote.audio效果相同。

在 Hugging Face 上接受许可并创建令牌

官方模型走门控发布：要先在模型页面勾选同意用户条件，再拿到访问令牌才能下载权重。

操作步骤：登录 Hugging Face → 打开pyannote/speaker-diarization-community-1模型页 → 勾选同意用户条件 → 进入 hf.co/settings/tokens 创建令牌并复制下来。

页面提示已接受、令牌创建成功后会显示一串hf_开头的字符，把它存好，下一步代码里要用。

pyannote.audio 快速上手：跑通第一次

拿任意一段 wav 做最小验证，代码不到 10 行：

import torch from pyannote.audio import Pipeline pipeline = Pipeline.from_pretrained( "pyannote/speaker-diarization-community-1", token="hf_你的令牌" ) pipeline.to(torch.device("cpu")) # 有 GPU 可改成 "cuda" output = pipeline("audio.wav") for turn, speaker in output.speaker_diarization: print(f"{turn.start:.1f}s - {turn.end:.1f}s {speaker}")

正常输出是一串带起止时间和说话人编号的段落，类似0.2s - 1.5s SPEAKER_00、1.8s - 3.9s SPEAKER_01。看到这种按时间递增的条目，就说明管线已跑通。

新手常踩的坑

Q：报 "ffmpeg not found" 或无法解码音频？A：系统里没装 ffmpeg，用系统包管理器装上再试，验证命令是ffmpeg -version。

Q：加载预训练管线时报权限错误？A：模型是门控发布的，先去 Hugging Face 上那个模型页勾选接受用户条件，令牌才有权限拉权重。

Q：明明有 GPU，为什么还是跑在 CPU 上？A：pipeline.to()没指向设备，把它改成torch.device("cuda")；先用python -c "import torch; print(torch.cuda.is_available())"确认 CUDA 可用。

Q：CPU 上处理长音频太慢？A：先用短音频验证流程，正式跑换 GPU；也可以把音频切成小段分批处理。

Q：生产环境不能联网怎么办？A：首次联网运行后权重会缓存在本地，把缓存目录整体拷到离线机器即可；细节见仓库里的 FAQ 离线部分和 离线使用教程。

更多细节看源码 README、FAQ 和 tutorials/ 教程目录；想把自己的数据调进管线，从 adapting_pretrained_pipeline.ipynb 入手。

【免费下载链接】pyannote-audioNeural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding项目地址: https://gitcode.com/GitHub_Trending/py/pyannote-audio