任务

角色区分+音频撰写

方案测试对比

方案一：FunASR，功能：角色区分+音频转写

问题：漏字，漏标点，同音字识别错误，角色区分不开

方案二：ffmpeg+pyannote+Qwen-ASR

优势：区分较细，可以理解为：根据说话人的换气进行分段，再识别角色，再转写音频，识别同音字的错误率低于FunASR，但对于说话人语音重叠部分识别不出来

离线部署

错误1：在windows环境下打包环境依赖，不适配linux
错误2：Could not load libtorchcoder…
原因分析：pyannote模型在安装的时候会调整至适配的cuda和torch版本。（如何发现：nvidia-smi查看cuda版本，pip list查看torch版本）
解决：要求安装库的时候不自动升级：pip install packeg --no-deps，未解决
原因分析：pyannote与torch的版本不对应
总结：4.x版本适配torch=2.8.0，cuda126（这是我遇到的主要原因）
解决：降级到3.1版本，适配torch=2.1~2.5，cuda118、cu124…

pip install pyannote==3.4.0

错误3：还是不行
原因分析：只更改了库的版本，使用的说话人分离模型没有更改：pyannote/speaker-diarization-community-1
解决：应该使用pyannote/speaker-diarization-3
错误4：更改pyannote/speaker-diarization模型后仍然不行
原因分析：pyannote/speaker-diarization-3模型必要的两个模型：segmentation-3.0（语音活动检测和说话人分段），wespeaker-voxceleb-resnet34-LM(说话人嵌入提取)。
解决：下载两个模型，并在pyannote-diarization_config.yaml中修改pipeline下params字段的embedding和segmentation两个属性为你下载模型的绝对路径，可查看博客

https://blog.csdn.net/gitblog_00923/article/details/151769527

小结

总的来说，在使用ffmpeg+pyannote+Qwen-ASR进行音频转写的过程中，转写的效率和准确率都比较高，但是在离线部署到linux电脑上的时候，真的是关关难过关关过。

总结一下说话人分离模型：pyannote/speaker-diarization-3安装路线：

https://ai.gitcode.com/Ascend-SACT/pyannote-speaker-diarization-3.1

以下为通过大模型查询到的信息：
pyannote/speaker-diarization系列共有5个官方模型，其中4个开源，1个付费
开源的分别是：
pyannote/speaker-diarization，
pyannote/speaker-diarization-3.0，
pyannote/speaker-diarization-3.1（最推荐），
pyannote/speaker-diarization-community-1（准确率高于3.1版本）。
付费商用：pyannote/speaker-diarization-precision-2，准确率更高，每天有免费额度。
最终选择pyannote/speaker-diarization-3.1还是pyannote/speaker-diarization-community-1，大部分取决于你电脑的cuda版本。