pyannote.audio 3.1 使ってみる

pyannote.audio　のバージョンを3.1にあげてみる

pyannote.audioとは

pyannote.audioは音声から話者ダイアライゼーション（話者分離）を行うライブラリ

pyannote.audio 2.1からのバージョンアップ

2.1の使い方

from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization@2.1",
                                    use_auth_token="ACCESS_TOKEN_GOES_HERE")
diarization = pipeline("audio.wav")

3.1の使い方

from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained(
  "pyannote/speaker-diarization-3.1",use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

diarization = pipeline("audio.wav")

基本的な使い方は変わってない　っが・・・
おかしい。2.1の時は約1時間の音声ファイルの話者分離が3分程度で終わっていたのに、20分立っても終わらない・・・
どうやらGPUがちゃんと使われていないみたい

3.1の使い方(GPUバージョン)

from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained(
  "pyannote/speaker-diarization-3.1",use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

import torch
pipeline.to(torch.device("cuda"))

waveform, sample_rate = torchaudio.load("audio.wav")
diarization = pipeline({"waveform": waveform, "sample_rate": sample_rate})

これで2.1の時と同じ3分程度で完了した。
3.1 ではどうやらtorch.deviceを明示的に指定と、オーディオファイルを事前にロードする必要があるみたい？

おまけ　３.１の必要なライブラリ

pip install pyannote.audio==3.1.1
pip install pydub==0.25.1
pip install speechbrain==0.5.14
pip install soundfile==0.12.1
pip install lightning==2.0.1
pip install --no-cache-dir \
torch==2.2.0+cu121 \
torchaudio==2.2.0+cu121 \
torchvision==0.17.0+cu121 \
torchtext==0.17.0+cpu \
torchdata==0.7.1 \
--index-url https://download.pytorch.org/whl/cu121

参考ページ

https://huggingface.co/pyannote/speaker-diarization
https://huggingface.co/pyannote/speaker-diarization-3.1