基于一段音频识别有多少个人在说话

[coderwei]

前几天看到一个应用,可以实现分析音频有多少人说话/以及各自说话时间段和说了什么, 于是我就很好奇是如何实现的识别一段音频有多少人说话。
目前借助 pyannote-audio 和 huggingface 直接进行人声分离, 但是不知道为何识别的人数永远都是 2 人, 不知道是什么原因，有没有大佬能够解答一下。

[supuwoerc]

whisper 好像可以做到

[Seanfuck]

识别的人数永远都是 2 人，大概是模型就只支持区分 2 人。

[ttgo]

简单说这是一个分类问题。我记得哪个大佬在他的 ai 课里炫技，用一行 matlab 代码就实现了用 svm 来区分多人语音。

[barantt01]

语音分割+向量