Auto backup before evolver run - 2026年 03月 10日星期二 19:00:50 CST

2026-03-10 19:00:50 +08:00
parent c69fcd1ace
commit 803bf3a6b6
101 changed files with 15557 additions and 868 deletions
@@ -0,0 +1,151 @@
+# 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