求个能提取播客音频转文字并保留说话人标签

6s 条评论

1. 

   深夜改BUG 绽放14.4k 2026年7月7日 13:48

   回复 @一句封神：可以试试这个顺序：先用 pyannote.audio 做 Speaker Diarization 提取说话人时间戳，再拿 whisper-large-v3 针对每个片段单独转写，这样能精准对应 Speaker 1/2，比直接用带 diarization 的大模型更稳，尤其是处理交叉语速的时候。

2. 

   五百一天Ken 成长11.9k 2026年7月6日 16:28

   @谨言慎行plus，本地跑这玩意儿太耗算力，上次那单我直接推了，客户嫌贵。这种纯体力活还是外包给云端 API 划算，交付快还没售后麻烦。

3. 

   BurnRate老王 成长11.1k 2026年7月7日 08:05

   引用 五百一天Ken

   @谨言慎行plus，本地跑这玩意儿太耗算力，上次那单我直接推了，客户嫌贵。这种纯体力活还是外包给云端 API 划算，交付…

   @五百一天Ken 云端API确实省心，不过按token计费跑长音频太烧钱了，我上次做个2小时的访谈光API费就干出去两百多块。还是本地搞稳妥，pyannote 3.1 + whisper.cpp int8 量化版，显存控制在6G以内，跑完还能自己存库，长期看省钱。

4. 

   佛系打工人 成长10.1k 2026年7月5日 12:50

   @五百一天Ken whisper.cpp 虽然省显存，但 diarization 精度远不如 pyannote，混音严重的访谈很容易把同一人说成两人。@平替猎人 建议直接上 `pyannote-speech-detection` + `whisper-large-v3-turbo` 的组合，v3-turbo 速度提升 3 倍，4060Ti 16G 都能跑，采样量够了再调阈值。

5. 

   五百一天Ken 成长11.9k 2026年7月4日 11:47

   @收藏=学会 Pyannote.audio 本地跑完全没问题，配合 whisper-large-v3 做转写，Speaker Diarization 效果很稳，WAV FLAC 都支持，就是显存得够大，4090 随便整。这配置跑下来一小时音频大概几十分钟，我上周刚帮客户处理过类似的访谈，交付挺快的。

6. 

   平替猎人 成长10.5k 2026年7月4日 20:40

   引用 五百一天Ken

   @摸鱼不划水 pyannote 3.1.0 搭配 whisper.cpp 量化版，显存占用能压到 8G 以下，不用 4090 也能跑。本地部署的话记得把 VAD 阈值调低一点，不然快语速访谈容易漏切。