# 話者分離

DiariZenは、AudioZenとPyannote 3.1を基盤とした話者分離ツールキットです。話者分離は、オーディオ処理における重要なステップであり、1つのオーディオファイル内の異なる話者を区別することができます。この技術は、会議録の作成、電話監視、セキュリティ監視など、多くの分野で広く利用されています。DiariZenの主な利点としては、使いやすさ、高い精度、そしてオープンソースであることが挙げられ、研究者や開発者は自由に使用および改良することができます。DiariZenはGitHub上でMITライセンスで公開されており、完全に無料で、商用利用も可能です。

Reverbは、音声認識（ASR）にWeNetフレームワーク、話者分離にPyannoteフレームワークを用いた、オープンソースの音声認識と話者分離モデル推論コードです。詳細なモデルの説明を提供しており、Hugging Faceからモデルをダウンロードできます。Reverbは、開発者や研究者が様々な音声処理タスクを支援するための、高品質の音声認識と話者分離ツールを提供することを目的としています。

whisper-diarizationは、Whisperによる自動音声認識（ASR）、音声活動検出（VAD）、話者埋め込み技術を統合したオープンソースプロジェクトです。音声部分のみを抽出して話者埋め込みの精度を向上させ、Whisperで転写テキストを生成し、WhisperXでタイムスタンプの補正とアライメントを行い、時間ずれによる分離エラーを削減します。その後、MarbleNetを用いてVADと分離を行い無音部分を排除し、TitaNetを用いて話者埋め込みを抽出し各セグメントの話者を識別し、最後にWhisperXで生成されたタイムスタンプと結果を関連付けて、タイムスタンプに基づいて単語ごとの話者を検出し、句読点モデルを用いて微小な時間ずれを補正するために再アライメントを行います。