Spaces:
Runtime error
Runtime error
File size: 9,560 Bytes
a169690 ac8601f a169690 ac8601f a169690 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 |
import os
import wave
import numpy as np
import contextlib
from pydub import AudioSegment
from pyannote.core import Segment
from pyannote.audio import Audio
from pyannote.audio.pipelines.speaker_verification import PretrainedSpeakerEmbedding
import torch
from typing import Dict, List, Tuple
def convert_to_wav(input_file: str, output_file: str = "output_file.wav") -> str:
"""
音声ファイルをWAV形式に変換します。
Parameters
----------
input_file: str
変換する音声ファイルのパス
output_file: str
変換後のWAVファイルの出力先パス(デフォルトは"output_file.wav")
Returns
-------
str
変換後のWAVファイルのパス
"""
file_format = os.path.splitext(input_file)[1][1:]
audio = AudioSegment.from_file(input_file, format=file_format)
audio.export(output_file, format="wav")
return output_file
def segment_embedding(
file_name: str,
duration: float,
segment,
embedding_model: PretrainedSpeakerEmbedding
) -> np.ndarray:
"""
音声ファイルから指定されたセグメントの埋め込みを計算します。
Parameters
----------
file_name: str
音声ファイルのパス
duration: float
音声ファイルの継続時間
segment: whisperのtranscribeのsegment
embedding_model: PretrainedSpeakerEmbedding
埋め込みモデル
Returns
-------
np.ndarray
計算された埋め込みベクトル
"""
audio = Audio()
start = segment["start"]
end = min(duration, segment["end"])
clip = Segment(start, end)
waveform, sample_rate = audio.crop(file_name, clip)
return embedding_model(waveform[None])
def reference_audio_embedding(
file_name: str
) -> np.ndarray:
"""
参考音声の埋め込みを出力します。
Parameters
----------
file_name: str
音声ファイルのパス
Returns
-------
np.ndarray
計算された埋め込みベクトル
"""
audio = Audio()
waveform, sample_rate = audio(file_name)
embedding_model = embedding_model = PretrainedSpeakerEmbedding("speechbrain/spkrec-ecapa-voxceleb", device='cpu')
return embedding_model(waveform[None])[0]
def generate_speaker_embeddings(
meeting_file_path: str,
transcript
) -> np.ndarray:
"""
音声ファイルから話者の埋め込みを計算します。
Parameters
----------
meeting_file_path: str
音声ファイルのパス
transcript: Whisper API の transcribe メソッドの出力結果
Returns
-------
np.ndarray
計算された話者の埋め込み群
"""
output_file = convert_to_wav(meeting_file_path)
segments = transcript['segments']
embedding_model = PretrainedSpeakerEmbedding("speechbrain/spkrec-ecapa-voxceleb", device='cpu')
embeddings = np.zeros(shape=(len(segments), 192))
with contextlib.closing(wave.open(output_file, 'r')) as f:
frames = f.getnframes()
rate = f.getframerate()
duration = frames / float(rate)
for i, segment in enumerate(segments):
embeddings[i] = segment_embedding(output_file, duration, segment, embedding_model)
embeddings = np.nan_to_num(embeddings)
return embeddings
import numpy as np
from sklearn.cluster import AgglomerativeClustering
from typing import List, Tuple
def clustering_embeddings(speaker_count: int, embeddings: np.ndarray) -> AgglomerativeClustering:
"""
埋め込みデータをクラスタリングして、クラスタリングオブジェクトを返します。
Parameters
----------
embeddings: np.ndarray
分散表現(埋め込み)のリスト。
Returns
-------
AgglomerativeClustering
クラスタリングオブジェクト。
"""
clustering = AgglomerativeClustering(speaker_count).fit(embeddings)
return clustering
def format_speaker_output_by_segment(clustering: AgglomerativeClustering, transcript: dict) -> str:
"""
クラスタリングの結果をもとに、各発話者ごとにセグメントを整形して出力します
Parameters
----------
clustering: AgglomerativeClustering
クラスタリングオブジェクト。
transcript: dict
Whisper API の transcribe メソッドの出力結果
Returns
-------
str
発話者ごとに整形されたセグメントの文字列
"""
labeled_segments = []
for label, segment in zip(clustering.labels_, transcript["segments"]):
labeled_segments.append((label, segment["start"], segment["text"]))
output = ""
for speaker, _, text in labeled_segments:
output += f"話者{speaker + 1}: 「{text}」\n"
return output
from sklearn.cluster import KMeans
from sklearn.metrics.pairwise import pairwise_distances
def clustering_embeddings2(speaker_count: int, embeddings: np.ndarray) -> KMeans:
"""
埋め込みデータをクラスタリングして、クラスタリングオブジェクトを返します。
Parameters
----------
embeddings: np.ndarray
分散表現(埋め込み)のリスト。
Returns
-------
KMeans
クラスタリングオブジェクト。
"""
# コサイン類似度行列を計算
cosine_distances = pairwise_distances(embeddings, metric='cosine')
clustering = KMeans(n_clusters=speaker_count).fit(cosine_distances)
return clustering
from scipy.spatial.distance import cosine
def closest_reference_speaker(embedding: np.ndarray, references: List[Tuple[str, np.ndarray]]) -> str:
"""
与えられた埋め込みに最も近い参照話者を返します。
Parameters
----------
embedding: np.ndarray
話者の埋め込み
references: List[Tuple[str, np.ndarray]]
参照話者の名前と埋め込みのリスト
Returns
-------
str
最も近い参照話者の名前
"""
min_distance = float('inf')
closest_speaker = None
for name, reference_embedding in references:
distance = cosine(embedding, reference_embedding)
if distance < min_distance:
min_distance = distance
closest_speaker = name
return closest_speaker
def format_speaker_output_by_segment2(embeddings: np.ndarray, transcript: dict, reference_embeddings: List[Tuple[str, np.ndarray]]) -> str:
"""
各発話者の埋め込みに基づいて、セグメントを整形して出力します。
Parameters
----------
embeddings: np.ndarray
話者の埋め込みのリスト
transcript: dict
Whisper API の transcribe メソッドの出力結果
reference_embeddings: List[Tuple[str, np.ndarray]]
参照話者の名前と埋め込みのリスト
Returns
-------
str
発話者ごとに整形されたセグメントの文字列。
"""
labeled_segments = []
for embedding, segment in zip(embeddings, transcript["segments"]):
speaker_name = closest_reference_speaker(embedding, reference_embeddings)
labeled_segments.append((speaker_name, segment["start"], segment["text"]))
output = ""
for speaker, _, text in labeled_segments:
output += f"{speaker}: 「{text}」\n"
return output
import gradio as gr
import openai
def create_transcription_with_speaker(openai_key, main_audio, reference_audio_1, reference1_name,
reference_audio_2, reference2_name, speaker_count = 2):
openai.api_key = openai_key
# 文字起こし
transcript = openai.Audio.transcribe("whisper-1", open(main_audio, "rb"), response_format="verbose_json")
# 各発話をembeddingsに変換
embeddings = generate_speaker_embeddings(main_audio, transcript)
# 各発話のembeddingsをクラスタリング
clustering = clustering_embeddings(speaker_count, embeddings)
# クラスタリングで作られた仮のラベルで各セグメントに名前付け
output_by_segment1 = format_speaker_output_by_segment(clustering, transcript)
reference1 = reference_audio_embedding(reference_audio_1)
reference2 = reference_audio_embedding(reference_audio_2)
reference_embeddings = [(reference1_name, reference1), (reference2_name, reference2)]
output_by_segment2 = format_speaker_output_by_segment2(embeddings, transcript, reference_embeddings)
return output_by_segment1, output_by_segment2
inputs = [
gr.Textbox(lines=1, label="openai_key", type="password"),
gr.Audio(type="filepath", label="メイン音声ファイル"),
gr.Audio(type="filepath", label="話者 (1) 参考音声ファイル"),
gr.Textbox(lines=1, label="話者 (1) の名前"),
gr.Audio(type="filepath", label="話者 (2) 参考音声ファイル"),
gr.Textbox(lines=1, label="話者 (2) の名前")
]
outputs = [
gr.Textbox(label="話者クラスタリング文字起こし"),
gr.Textbox(label="話者アサイン文字起こし"),
]
app = gr.Interface(
fn=create_transcription_with_speaker,
inputs=inputs,
outputs=outputs,
title="話者アサイン機能付き書き起こしアプリ",
description="音声ファイルをアップロードすると、各話者の名前がアサインされた文字起こしが作成されます。参考: https://huggingface.co./spaces/vumichien/Whisper_speaker_diarization"
)
app.launch(debug=True) |