SpeakerKit是什么？

SpeakerKit 是 Argmax 公司開發的一種 設備端說話人識別（Diarization）工具，可以快速、高效地識別音頻中的不同說話人。它與 WhisperKit（一種音頻轉錄工具）配合使用，能夠生成帶有說話人標簽的轉錄文本。適用于需要快速、準確識別音頻中說話人的應用場景。

SpeakerKit主要特點

速度：

• 在 iPhone 上處理 4 分鐘音頻時，SpeakerKit 僅需 約 1 秒 完成說話人識別，速度遠超其他同類系統。

• 與 WhisperKit 結合使用時，轉錄和識別的總時間僅需 25 秒。

質量：

• SpeakerKit 的錯誤率與行業領先的系統（如 Pyannote）相當，盡管其速度提升了數倍。

體積：

• 總大小約為 10MB，便于集成到應用程序中或快速下載。

兼容性：

• 支持 iOS 16 和 macOS 13 及更高版本的設備。

• Android 支持正在開發中。

模塊化：

• SpeakerKit 可與 WhisperKit 配合使用，生成帶有說話人標簽的轉錄文本，也可以與其他轉錄引擎集成，提供了比服務器端 API 更高的靈活性。

基準測試

Argmax 開發了一個名為 SDBench 的 Python 工具包，用于在 13 個廣泛使用的數據集上標準化地測試說話人識別系統的性能。SDBench 的代碼將開源，相關論文將于 2025 年 4 月發布。

未來規劃

優化轉錄質量：目前SpeakerKit 的獨立說話人識別質量已達到行業領先水平（通過 DER 測量）。下一步，團隊將優化與 WhisperKit 的聯合使用，以提升帶有說話人標簽的轉錄質量（通過 WDER 測量）。

說話人識別功能：SpeakerKit 將推出一項新功能，能夠提取說話人的聲紋，并在新的上下文中識別他們。

詳細閱讀：https://www.argmaxinc.com/blog/speakerkit

HuggingFace：https://huggingface.co/argmaxinc/speakerkit-pro