# KB Whisper Diarization Skill

**kb-whisper-diarization** - 使用 Whisper + pyannote.audio 实现语音识别和说话者分离。

## 什么时候使用

当用户需要：
- 区分多个说话者（如访谈、对话）
- 获取带说话者标签的字幕
- 分析对话中谁说了什么

## 环境变量

在使用之前，必须检查环境变量是否已经设置。

| 变量名 | 用途 | 示例 |
|--------|------|------|
| `WHISPER_CPP_PATH` | whisper.cpp 安装路径 | `~/whisper.cpp` |
| `HF_TOKEN` | HuggingFace Token | `hf_xxx...` |

### 获取 HuggingFace Token（必需）

pyannote.audio 需要从 HuggingFace 下载模型，按以下步骤操作：

**步骤 1: 注册/登录 HuggingFace**
- 访问 https://huggingface.co
- 注册或登录账号

**步骤 2: 申请模型访问权限**
需要申请以下两个模型的访问权限（点击页面上的 "Access repository" 按钮）：
- https://huggingface.co/pyannote/speaker-diarization
- https://huggingface.co/pyannote/segmentation

> ⚠️ 申请后需要等待几分钟到几小时才能获得访问权限

**步骤 3: 创建 Access Token**
1. 访问 https://huggingface.co/settings/tokens
2. 点击 "New token"
3. 选择 "Read" 权限
4. 复制生成的 token（以 `hf_` 开头）

**步骤 4: 设置环境变量**
```bash
# 添加到 ~/.kb_env 文件
echo 'export HF_TOKEN="hf_xxxxxxxxxxxxxxxxxxxxxx"' >> ~/.kb_env
source ~/.kb_env

# 验证
echo $HF_TOKEN
```

## 使用方法

```bash
# 基本用法（带说话者分离）
python whisper_diarization.py --input video.mp4

# 说话者分离
python whisper_diarization.py --input interview.mp4 --diarize

# 指定说话者数量
python whisper_diarization.py --input meeting.mp4 --diarize --num-speakers 2

# 指定语言
python whisper_diarization.py --input video.mp4 --language zh
```

## 命令参数

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `--input` | 输入音视频文件路径 | 必需 |
| `--output` | 输出目录 | 文件所在目录 |
| `--diarize` | 启用说话者分离 | False |
| `--num-speakers` | 估计说话者数量 | None（自动检测） |
| `--language` | 语言 | 自动检测 |
| `--model` | Whisper 模型 | base |
| `--background` | 后台异步执行 | False |

## 模型选项

- **Whisper 模型**: tiny, base, small, medium, large
- **说话者分离**: pyannote/speaker-diarization (需申请权限)

## 输出文件

对于输入 `interview.mp4`，将生成：

- `interview.mp4.json` - 完整结果（包含说话者标签）
- `interview.mp4.txt` - 纯文本
- `interview.mp4.srt` - 字幕格式（带说话者标签）

## 输出格式示例

### JSON 格式

```json
{
  "success": true,
  "input_file": "interview.mp4",
  "diarization": true,
  "speakers": ["SPEAKER_00", "SPEAKER_01"],
  "segments": [
    {
      "id": 0,
      "speaker": "SPEAKER_00",
      "start": 0.0,
      "end": 5.2,
      "text": "大家好，欢迎来到访谈节目"
    },
    {
      "id": 1,
      "speaker": "SPEAKER_01",
      "start": 5.2,
      "end": 10.8,
      "text": "谢谢邀请，我很荣幸"
    }
  ]
}
```

### SRT 字幕格式

```
1
00:00:00,000 --> 00:00:05,200
[SPEAKER_00] 大家好，欢迎来到访谈节目

2
00:00:05,200 --> 00:00:10,800
[SPEAKER_01] 谢谢邀请，我很荣幸
```

## 安装

```bash
# 1. 安装依赖
pip install pyannote.audio torch

# 2. 设置 HuggingFace Token
export HF_TOKEN="hf_xxx..."

# 3. 首次运行会自动下载模型
python whisper_diarization.py --input test.mp4
```

## 注意事项

- **说话者分离需要申请权限**: https://huggingface.co/pyannote/speaker-diarization
- **处理时间较长**: 说话者分离会增加处理时间
- **对立体声效果更好**: 多声道音频的分离效果更佳