优秀的说话人日志技术

目录

• 概述
• 论文
• 软件
  • 框架
  • 评估
  • 聚类
  • 说话人嵌入
  • 说话人变化检测
  • 音频特征提取
  • 音频数据增强
  • 其他软件
• 数据集
  • 说话人日志数据集
  • 说话人嵌入训练集
  • 增强噪声源
• 会议
• 其他学习资料
  • 在线课程
  • 书籍
  • 技术博客
  • 视频教程
• 产品

概述

这是一个精心整理的关于优秀说话人日志技术的论文、库、数据集及其他资源列表。

本仓库旨在整理全球范围内与说话人日志相关的资源，使其易于获取并具有广泛的应用价值。

如需添加内容，请直接提交拉取请求。（贡献指南）

论文

特别专题

综述与调查论文

• 基于深度学习的说话人日志技术最新进展综述, 2021年
• 说话人日志系统及方法综述, 2012年
• 说话人日志技术：近期研究综述, 2010年

大型语言模型（LLM）

• DiarizationLM：利用大型语言模型进行说话人日志后处理, 2024年
• 结合大型语言模型提升说话人日志性能：一种上下文感知的束搜索方法, 2023年
• 词汇级说话人错误纠正：利用语言模型修正说话人日志中的错误, 2023年

有监督说话人日志

• DiaPer：基于Perceiver吸引子的端到端神经网络说话人日志, 2023年
• TOLD：一种新颖的双阶段重叠感知说话人日志框架, 2023年
• 面向多人群会议分析的重叠感知神经网络说话人日志, 2022年
• 使用局部-全局网络和判别式说话人嵌入实现可变发言人数的端到端说话人日志, 2021年
• 针对多领域数据的样本均值损失有监督在线说话人日志, 2019年
• 用于说话人日志的判别式神经聚类, 2019年
• 无排列目标的端到端神经网络说话人日志, 2019年
• 带有自注意力机制的端到端神经网络说话人日志, 2019年
• 完全有监督的说话人日志, 2018年

说话人日志与自动语音识别联合

• 多人群会议中基于说话人的自动语音识别对比研究, 2022年
• Turn-to-Diarize：基于Transformer Transducer说话人轮次检测约束的在线说话人日志, 2021年
• Transcribe-to-Diarize：使用端到端说话人归属ASR实现无限数量发言人的神经网络说话人日志, 2021年
• 通过序列转换实现语音识别与说话人日志联合, 2019年
• 是谁在说？用于联合语音识别、分割和说话人日志的深度学习模型, 2018年

在线说话人日志

• MiniVox中的完全在线赌博学习问题形式的说话人日志, 2021年
• 基于关系网络的在线说话人日志, 2020年
• 即时VoiceID：从零开始学习的说话人识别系统, 2020年

竞赛挑战

• M2MeT：ICASSP 2022多通道多人群会议转录挑战, 2022年
• 日立-JHU DIHARD III系统：由DOVER-Lap结合的竞争性端到端神经网络说话人日志和x-vector聚类系统
• 说话人日志真难：JHU团队在首届DIHARD挑战赛中的经验与教训, 2018年
• ODESSA参加2018年Albayzin说话人日志挑战赛, 2018年
• 为DIHARD挑战赛联合进行判别式嵌入学习、语音活动与重叠检测, 2018年

视听说话人日志

• AVA-AVD：野外环境下的视听说话人日志, 2022年
• DyViSE：动态视觉引导的视听说话人日志嵌入, 2022年
• 端到端视听神经网络说话人日志, 2022年
• MSDWild：野外环境下的多模态说话人日志数据集, 2022年

其他

2021年

• 基于端到端局部分割的重叠感知低延迟在线说话人日志
• 用于重叠感知重新分割的端到端说话人分割
• DIVE：通过迭代说话人嵌入实现端到端语音日志
• DOVER-Lap：一种结合重叠感知日志输出的方法
• 在说话人日志中对x-vector序列进行贝叶斯HMM聚类（VBx）：理论、实现及标准任务上的分析
• AISHELL-4：会议场景下语音增强、分离、识别与说话人日志的开源数据集，2021年

2020年

• 用于改善多媒体内容访问的端到端说话人日志服务
• 发现对话：野外环境下的说话人日志
• 基于区域提议网络的说话人日志
• 目标说话人语音活动检测：一种针对晚宴场景下多说话人日志的新方法

2019年

• 重叠感知的日志：利用神经网络端到端重叠语音检测进行重新分割
• 利用生成对抗网络中的潜在空间聚类进行说话人日志
• 使用GAN混合模型的半监督说话人日志系统研究
• 通过多层自举网络学习深度表示以用于说话人日志
• 纯音频日志系统的改进
• 基于LSTM的相似性度量与谱聚类用于说话人日志
• 使用虚拟麦克风阵列进行会议转录
• 利用嵌入的二维自注意力组合进行说话人日志
• 结合词汇信息的说话人日志

2018年

• 神经网络语音轮次分割与亲和力传播用于说话人日志
• 利用序列到序列神经网络结合词汇与声学线索进行多模态说话人分割与日志
• 联合使用卷积与循环神经网络进行说话人日志与识别

2017年

• 基于LSTM的说话人日志
• 使用深度神经网络嵌入进行说话人日志
• 利用卷积神经网络进行统计积累优化的说话人日志
• pyannote.metrics：一个用于可重复评估、诊断及错误分析说话人日志系统的工具包
• 利用双向长短期记忆网络进行广播电视中的说话人变化检测
• 使用深度递归卷积神经网络提取说话人嵌入进行说话人日志

2016年

• 用于研究同伴主导团队学习小组的说话人日志系统

2015年

• 在因子分析子空间中的日志重新分割

2014年

• 基于余弦距离的均值漂移在电话语音日志中的应用研究
• 使用PLDA i-vector评分与无监督校准进行说话人日志
• 用于说话人日志的人工神经网络特征

2013年

• 说话人日志的无监督方法：一种集成与迭代的方法

2011年

• 基于PLDA的聚类用于广播流的说话人日志
• 基于说话人角色n-gram模型的会议说话人日志

2009年

• 会议室音频的说话人日志

2008年

• 基于说话人因子与特征语音的流式说话人分割

2006年

• 自动说话人日志系统的概述
• 基于谱聚类的说话人日志方法

软件

框架

链接	语言	描述
FunASR	Python & PyTorch	FunASR 是一个基于 PyTorch 的开源语音工具包，旨在弥合学术研究与工业应用之间的差距。
MiniVox	MATLAB	MiniVox 是一个用于在线说话人日志任务的开源评估系统。
SpeechBrain	Python & PyTorch	SpeechBrain 是一个基于 PyTorch 的开源、一体化语音工具包。
SIDEKIT for diarization (s4d)	Python	SIDEKIT 的开源扩展包，专门用于说话人日志。
pyAudioAnalysis	Python	Python 音频分析库：特征提取、分类、分割及应用。
AaltoASR	Python & Perl	基于 AaltoASR 的说话人日志脚本。
LIUM SpkDiarization	Java	LIUM_SpkDiarization 是一款专门用于说话人日志（即说话人分割与聚类）的软件，采用 Java 编写，并包含了该领域截至 2013 年的最新研究成果。
kaldi-asr	Bash	用于 2000 年 NIST 说话人识别评测中 CALLHOME 数据集一部分的说话人日志示例脚本。
kaldi-speaker-diarization	Bash	使用 Kaldi 进行冰岛语说话人日志的脚本。
Alize LIA_SpkSeg	C++	ALIZÉ 是一个用于说话人识别的开源平台。LIA_SpkSeg 是其中用于说话人日志的工具。
pyannote-audio	Python	用于说话人日志的神经网络模块：语音活动检测、说话人变化检测、说话人嵌入。
pyBK	Python	基于二进制关键说话人模型的说话人日志。这是一种计算开销较低、无需外部训练数据的解决方案。
Speaker-Diarization	Python	使用 uis-rnn 和 GhostVLAD 进行说话人日志。一种更易于支持开放集说话人的方法。
EEND	Python & Bash & Perl	端到端神经网络说话人日志。
VBx	Python	基于 x-vector 的变分贝叶斯隐马尔可夫模型说话人日志。x-vector 提取器 配方
RE-VERB	Python & JavaScript	RE: VERB 是一个说话人日志系统，允许用户上传或录制对话音频，并获取每位发言者的时间戳。
StreamingSpeakerDiarization	Python	流式说话人日志，扩展了 pyannote.audio 以支持在线处理。
simple_diarizer	Python	使用一些预训练模型的简化说话人日志流程。旨在尽可能简单地将输入音频文件转换为已标注的说话人片段。
Picovoice Falcon	C & Python	一个轻量级、高精度且快速的说话人日志引擎，用 C 语言编写并提供 Python 接口，在 CPU 上运行时开销极小。
DiaPer	Python	DiaPer：基于 Perceiver 的吸引子的端到端神经网络说话人日志的 PyTorch 实现，包含在免费公开数据上预训练的模型。
sherpa-onnx	C++ & C & C# & Dart & Go & Java & JavaScript & Kotlin & Pascal & Python & Rust & Swift	支持多种平台和语言绑定下的说话人日志、语音识别和文本转语音功能。
FluidAudio	Swift	一款原生 Swift 的苹果平台说话人日志库，利用 CoreML 实现高效、实时的高精度音频处理。

评估

链接	语言	描述
pyannote-metrics	Python	用于可重复评估、诊断和错误分析的说话人日志系统工具包。
SimpleDER	Python	一个轻量级库，用于计算日志错误率（DER）。
DiarizationLM	Python	实现了词错误率（WER）、词日志错误率（WDER）以及拼接最小置换词错误率（cpWER）。
NIST md-eval	Perl	(1) 修改自 Mary Tai Knox 的 md-eval.pl；(2) 来自 jitendra 的 md-eval-v21.pl；(3) 来自 nryant 的 md-eval-22.pl
dscore	Python & Perl	日志评分工具。
Sequence Match Accuracy	Python	使用匈牙利算法匹配两个序列的准确度。
spyder	Python & C++	用于快速计算 DER 的简单 Python 包。
CDER	Python	来自论文《会话语段说话人日志任务：数据集、评估指标与基线》（arXiv:2208.08042）中的会话型 DER。

聚类

链接	语言	描述
uis-rnn	Python & PyTorch	谷歌的无界交错状态循环神经网络（UIS-RNN）算法，用于完全监督的说话人日志。该聚类算法是监督式的。
uis-rnn-sml	Python & PyTorch	UIS-RNN 的一种变体，用于论文《基于样本均值损失的多领域数据在线监督日志》。
DNC	Python & ESPnet	基于 Transformer 的判别性神经聚类（DNC），用于说话人日志。与 UIS-RNN 一样，它也是监督式的。
SpectralCluster	Python	具有亲和矩阵优化操作、自动调优和说话人轮次约束的谱聚类。
sklearn.cluster	Python	scikit-learn 中的聚类算法。
PLDA	Python	概率线性判别分析及分类，用 Python 编写。
PLDA	C++	开源的简化版概率线性判别分析（PLDA）实现。
Auto-Tuning Spectral Clustering	Python	自动调优的谱聚类方法，无需开发集或监督调优。

说话人嵌入

链接	方法	语言	描述
resemble-ai/Resemblyzer	d-vector	Python & PyTorch	基于 PyTorch 的广义端到端损失的说话人验证实现，可用于语音克隆和角色分离。
Speaker_Verification	d-vector	Python & TensorFlow	基于 TensorFlow 的广义端到端损失的说话人验证实现。
PyTorch_Speaker_Verification	d-vector	Python & PyTorch	Wan、Li 等人提出的“用于说话人验证的广义端到端损失”的 PyTorch 实现，并集成了 UIS-RNN。
Real-Time Voice Cloning	d-vector	Python & PyTorch	“从说话人验证到多说话人文本转语音合成的迁移学习”（SV2TTS）的实现，配备可实时工作的声码器。
conformer-speaker-encoder	d-vector	Python & TFLite	大规模多语言的基于 Conformer 的说话人识别模型，以 TFLite 格式提供。
deep-speaker	d-vector	Python & Keras	第三方实现百度论文《Deep Speaker：一个端到端神经网络说话人嵌入系统》。
x-vector-kaldi-tf	x-vector	Python & TensorFlow & Perl	在 Kaldi 流程基础上，使用 TensorFlow 实现 x-vector 拓扑结构。
kaldi-ivector	i-vector	C++ & Perl	Kaldi 的扩展，实现了标准的 i-vector 超参数估计和提取流程。
voxceleb-ivector	i-vector	Perl	基于 Voxceleb1 i-vector 的说话人识别系统。
pytorch_xvectors	x-vector	Python & PyTorch	Voxceleb x-vectors 的 PyTorch 实现。此外，还包括用于嵌入训练的元学习架构。已通过说话人角色分离和说话人验证进行评估。
ASVtorch	i-vector	Python & PyTorch	ASVtorch 是一个自动说话人识别工具包。
asv-subtools	i-vector & x-vector	Kaldi & PyTorch	ASV-Subtools 基于 PyTorch 和 Kaldi 开发，用于说话人识别、语言辨识等任务。“sub”表示该工具包含多个模块化组件，共同构成整体。
WeSpeaker	x-vector & r-vector	Python & C++ & PyTorch	WeSpeaker 是一个面向研究与生产的说话人验证、识别和角色分离工具包，支持强大的配方，具备实时数据准备、模型训练与评估功能，以及运行时的 C++ 代码。
ReDimNet	改进的 ResNet	PyTorch	论文用于说话人识别的重塑维度网络中提出的神经网络架构。

说话人变化检测

链接	语言	描述
change_detection	Python & Keras	使用双向长短期记忆网络进行广播电视中说话人变化检测的代码。
tidydiarize	Python	在 OpenAI Whisper 解码器中进行角色分离

音频特征提取

链接	语言	描述
LibROSA	Python	用于音频和音乐分析的 Python 库。https://librosa.github.io/
python_speech_features	Python	该库提供了 ASR 中常用的语音特征，包括 MFCC 和滤波器组能量。https://python-speech-features.readthedocs.io/en/latest/
pyAudioAnalysis	Python	Python 音频分析库：特征提取、分类、分割及应用。

音频数据增强

链接	语言	描述
pyroomacoustics	Python	Pyroomacoustics 是一个用于室内应用的音频信号处理包。它被开发为一种在室内场景中快速原型化波束形成算法的平台。https://pyroomacoustics.readthedocs.io
gpuRIR	Python	使用 GPU 加速的房间脉冲响应（RIR）仿真 Python 库
rir_simulator_python	Python	使用 Python 的房间脉冲响应模拟器
WavAugment	Python & PyTorch	WavAugment 对音频数据进行数据增强。音频数据以 PyTorch 张量的形式表示
EEND_dataprep	Bash & Python	用于生成模拟对话的配方，这些对话用于训练端到端的说话人分离模型。

其他软件

链接	语言	描述
VB Diarization	Python	基于特征语音和 HMM 先验的 VB 说话人分离。
DOVER-Lap	Python	用于合并说话人分离系统输出的 Python 包
Diar-az	Python	数据格式化工具，用于支持 ruv-di 数据集。Kaldi 到 Gecko 再回到 Kaldi 和语料库

数据集

说话人分离数据集

音频	说话人分离真值	语言	价格	其他信息
2000 年 NIST 说话人识别评估数据	光盘 6（Switchboard）, 光盘 8（CALLHOME）	多种	$2400.00	评估计划
2003 年 NIST 丰富转录评估数据	连同音频一起	英语、阿拉伯语、中文	$2000.00	电话通话、广播新闻
CALLHOME 美式英语语音	CALLHOME 美式英语转录本	英语	$1500.00 + $1000.00	CH109 白名单
ICSI 会议语料库	连同音频一起	英语	免费	许可证
AMI 会议语料库	连同音频一起（需处理）	多种	免费	许可证
Fisher 英语训练语音第一部分	Fisher 英语训练语音第一部分转录本	英语	$7000.00 + $1000.00
Fisher 英语训练第二部分，语音	Fisher 英语训练第二部分，转录本	英语	$7000.00 + $1000.00
VoxConverse	待定	待定	免费	VoxConverse 是一个视听说话人分离数据集，包含超过 50 小时的人类多说话者视频片段，这些片段来自 YouTube 视频
MiniVox 基准测试	MiniVox 基准测试	英语	免费	MiniVox 是一个自动化框架，可将任何带有说话人标签的数据集转换为连续的语音数据流，并以分段方式提供标签反馈。
AliMeeting 语料库	连同音频一起	中文	免费

说话人嵌入训练数据集

名称	发话次数	说话人数量	语言	价格	备注
TIMIT	6K+	630	英语	$250.00	TIMIT语料库于1993年发布，是一份较早的阅读型语音数据集，广泛用于说话人识别研究。
VCTK	43K+	109	英语	免费	数据主要来自报纸文章、Rainbow Passage以及一段用于识别口音的诱导段落。
LibriSpeech	292K	2K+	英语	免费	大规模（1000小时）的英语阅读语音语料库。
多语言 LibriSpeech (MLS)	?	?	英语、德语、荷兰语、西班牙语、法语、意大利语、葡萄牙语、波兰语	免费	多语言 LibriSpeech 数据集是一个适合语音研究的大规模多语言语料库。该数据集来源于 LibriVox 的有声读物，包含8种语言：英语、德语、荷兰语、西班牙语、法语、意大利语、葡萄牙语和波兰语。
LibriVox	180K	9K+	多种语言	免费	免费的公共领域有声读物。LibriSpeech 是 LibriVox 的一个处理后的子集，原始未分割的发话可能非常长。
VoxCeleb 1&2	1M+	7K	多种语言	免费	VoxCeleb 是一个视听数据集，由上传至 YouTube 的访谈视频中截取的短片段组成。
Spoken Wikipedia 语料库	5K	879	英语、德语、荷兰语	免费	志愿者朗读的维基百科文章。
CN-Celeb	130K+	1K	中文	免费	清华大学 CSLT 发布的免费中文说话人识别语料库。
BookTubeSpeech	8K	8K	英语	免费	从 YouTube 上的 BookTube 视频中提取的音频样本——这些视频是人们分享对书籍看法的内容。该数据集可通过 BookTubeSpeech-download 下载。
DeepMine	540K	1850	波斯语、英语	未知	一份波斯语和英语的语音数据库，旨在构建和评估说话人验证系统以及波斯语 ASR 系统。
NISP-数据集	?	345	印地语、卡纳达语、马拉雅拉姆语、泰米尔语、泰卢固语（均为印度语言）	免费	该数据集包含语音录音，以及说话人的身体参数（身高、体重等）、地域信息和语言学信息。
VoxBlink2	10M	100K+	18种语言（英语、葡萄牙语、西班牙语、俄语、阿拉伯语等）	CC BY-NC-SA 4.0	来自 VoxBlink2: 一个拥有10万以上说话人的说话人识别语料库及开放集说话人识别基准 的多语言数据集。

增强用噪声源

名称	发话次数	价格	备注
AudioSet	2M	免费	一个大规模的手动标注音频事件数据集。
MUSAN	不适用	免费	MUSAN 是音乐、语音和噪声录音的语料库。

会议

会议/研讨会	频率	页数限制	主办单位	盲审
ICASSP	每年	4 + 1（参考文献）	IEEE	否
InterSpeech	每年	4 + 1（参考文献）	ISCA	否
Speaker Odyssey	每两年	8 + 2（参考文献）	ISCA	否
SLT	每两年	6 + 2（参考文献）	IEEE	是
ASRU	每两年	6 + 2（参考文献）	IEEE	是
WASPAA	每两年	4 + 1（参考文献）	IEEE	否
IJCB	每年	8	IEEE & IAPR TC-4	是

其他学习资料

在线课程

• Udemy 上的课程：说话人日志化教程

书籍

• 声音身份技术：从核心算法到工程实践（中文） 王权著，2020年出版

技术博客

• 说话人变化检测文献综述 由 Halil Erdoğan 撰写
• 说话人日志化：分离音频文件中的多个说话人 由 Jaspreet Singh 撰写
• 使用 Kaldi 进行说话人日志化 由 Yoav Ramon 撰写
• 谁在什么时候说话！如何从零开始构建自己的说话人日志化模块 由 Rahul Saxena 撰写

视频教程

• pyannote audio：用于说话人日志化的神经网络构建模块 由 Hervé Bredin 演讲
• 谷歌的日志化系统：基于 LSTM 的说话人日志化 由谷歌讲解
• 完全监督的说话人日志化：告别聚类 由谷歌演示
• Turn-to-Diarize：基于 Transformer Transducer 说话人轮次检测约束的在线说话人日志化 由谷歌展示
• 说话人日志化：最优聚类与说话人嵌入学习 由微软研究院讲解
• 面向会议的鲁棒说话人日志化：ICSI 系统 由微软研究院介绍
• 【机器之心&博文视点】入门声纹技术｜第二讲：声纹分割聚类与其他应用 由王权主讲

产品

公司	产品
Google	录音机应用
Google	Google Cloud 语音转文本 API
Amazon	Amazon Transcribe
IBM	Watson 语音转文本 API
DeepAffects	说话人日志化 API
阿里巴巴	听悟
微软	Azure 对话转录 API

星标历史

awesome-diarization 快速上手指南

注意：awesome-diarization 并非一个可直接安装的软件库或工具包，而是一个精选资源列表（Awesome List），汇集了说话人日记（Speaker Diarization）领域的论文、开源框架、数据集和学习资料。

要开始使用相关技术，您需要从该列表推荐的 Software -> Framework 类别中选择具体的开源项目（如 pyannote-audio、NVIDIA NeMo 或 Kaldi）进行安装和使用。以下指南以目前社区最流行、易于上手的 pyannote-audio 为例，展示如何基于此资源列表开启说话人日记任务。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 20.04+) 或 macOS。Windows 用户建议使用 WSL2。
• Python 版本：Python 3.8 - 3.10（具体版本需参照所选框架的要求，pyannote 通常推荐 3.9+）。
• 硬件依赖：
  • GPU：强烈建议配备 NVIDIA GPU 并安装 CUDA 驱动，以加速深度学习模型的推理和训练。
  • CPU：若无 GPU，仅能用于小规模测试，速度较慢。
• 前置依赖：
  • pip 包管理工具
  • git 版本控制工具
  • ffmpeg (用于音频处理)

安装 ffmpeg (Ubuntu/Debian):

sudo apt update
sudo apt install ffmpeg

安装步骤

由于 awesome-diarization 是资源列表，我们在此安装其推荐的代表性框架 pyannote-audio。

1. 创建虚拟环境（推荐）：

   python -m venv diarization-env
   source diarization-env/bin/activate
   

2. 安装 pyannote-audio： 直接使用 pip 安装最新版本。

   pip install pyannote-audio
   

   注：若国内下载速度慢，可使用清华源加速：

   pip install pyannote-audio -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 获取模型权限（重要）： pyannote-audio 的预训练模型托管在 Hugging Face 上，需要接受用户协议并获取 Token。

   • 访问 pyannote 官方模型页面 和 语音活动检测页面。
   • 登录 Hugging Face 账号，点击 "Agree" 接受协议。
   • 在 Access Tokens 设置页 创建一个新的 Read 权限 Token。
   • 将 Token 保存到本地环境变量或 .env 文件中。

基本使用

以下是一个最简单的 Python 脚本示例，展示如何使用安装好的框架对音频文件进行说话人分离。

1. 准备音频文件：确保你有一个名为 input_audio.wav 的音频文件。

2. 编写代码：创建 diarize.py 文件。

   from pyannote.audio import Pipeline
   from huggingface_hub import login
   
   # 1. 登录 Hugging Face (替换为你的实际 Token)
   # 建议将 token 放入环境变量 HF_TOKEN 中，避免硬编码
   login(token="YOUR_HUGGING_FACE_TOKEN")
   
   # 2. 加载预训练的说话人日记流水线
   # 使用最新的 3.1 版本模型
   pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization-3.1")
   
   # 如果需要使用 GPU，确保已安装 torch cuda 版本，pipeline 会自动检测
   # pipeline.to(torch.device("cuda")) 
   
   # 3. 执行说话人日记
   audio_file = "input_audio.wav"
   diarization = pipeline(audio_file)
   
   # 4. 输出结果
   print(f"{'START':<10} | {'END':<10} | {'SPEAKER'}")
   for turn, _, speaker in diarization.itertracks(yield_label=True):
       print(f"{turn.start:<10.2f} | {turn.end:<10.2f} | {speaker}")
   

3. 运行脚本：

   python diarize.py
   

输出示例：

START      | END        | SPEAKER
0.00       | 3.50       | SPEAKER_00
3.50       | 8.20       | SPEAKER_01
8.20       | 12.00      | SPEAKER_00

下一步建议： 回到 awesome-diarization 仓库的 Software 和 Publications 章节，探索更多针对特定场景（如在线日记、重叠语音处理、多模态日记）的先进框架和最新论文。