Closed3
音声認識 kotoba-whisper-v2.2を試す
moriokaこれに倣えばよいだけ。
huggingfaceのトークンもread-onlyのものでよさそう。
v2.2になってdiarizationをサポートしたらしい。とはいっても定番のpyannoteを用いているらしい。
morioka話者識別を例によってpyannoteで行っている。
これを利用したくない（できるだけ、外のトークンが必要な状況にはしたくない）。
その前段階として、ローカルにキャッシュした後はオフラインで動作させるのは、以下の記事でできそう。
python --version
#Python 3.11.8
speechbrain 1.0.2
pyannote.audio 3.3.2
torch 2.6.0
torchaudio 2.6.0
#ipyhton
#torchtext
#torchvision
↑いちおう、この環境で動作している。
あとはそのまま
# キャッシュフォルダを変更
import os
os.environ['HUGGINGFACE_HUB_CACHE'] = './assets' # デフォルト(未指定)の場合は ~/.cache/huggingface/hub
# モデルをダウンロード
# 念のため、 speaker-diarizationとsegmeantationもsnapshot_downloadですべて取得した
HF_TOKEN = "{作成したHugging Faceのトークン}"
from huggingface_hub import hf_hub_download, snapshot_download
config_path = hf_hub_download(repo_id="pyannote/speaker-diarization",
filename="config.yaml",
use_auth_token=HF_TOKEN)
segmentation_model_path = hf_hub_download(repo_id="pyannote/segmentation",
filename="pytorch_model.bin",
use_auth_token=HF_TOKEN)
snapshot_download("speechbrain/spkrec-ecapa-voxceleb")
# pyannote/speaker-diarization/config.yaml と pyannote/segmentation/pytorch_model.bin を別出し
!cp -L {segmentation_model_path} ./assets/pytorh_model.bin
!cp -L {config_path} ./assets/config.yaml
!rm -rf ./assets/models--pyannote--segmentation
!rm -rf ./assets/models--pyannote--speaker-diarization
!zip -r assets.zip ./assets
OpenAI Whisper API互換にするには... そもそも話者識別に対応していないか
このスクラップは2025/02/05にクローズされました