Yaya Diarize

Separates speakers in any audio entirely locally — outputs a who-spoke-when timeline (sherpa-onnx voiceprint clustering, no cloud, no transcript needed). Use when the user asks for "人声分离", "说话人分离", "谁在什么时候说话", "分轨", or wants speaker turns from an audio; also serves as the separation stage called by yaya-asr.

eatmoreduck Updated

File contents

yaya-diarize —— 说话人分离(谁在何时说话)

音频进 → 说话人时间线出。 只认声音、不认文字:sherpa-onnx(pyannote 分割 + CAM++ 中文声纹)聚类出"谁在什么时候说话"。纯本地,免费、零登录。

被 yaya-asr 作为分离阶段调用(与 MLX 转写并行跑:GPU 转写 ∥ CPU 分离,互不争抢);也可以单独使用。

何时使用

  • 用户给一段录音,想知道"谁在什么时候说话"(不需要文字稿)
  • 用户说"人声分离""说话人分离""分个轨""分一下说话人"
  • 想给音频做说话人标注,文字用别的引擎转

不适用:要"谁说了什么"(文字+说话人)→ 直接用 yaya-asr(它内部自动并行调用本 skill);要 Space 干货笔记 → yaya-xspace。

快速开始

bash {baseDir}/run.sh recording.m4a
bash {baseDir}/run.sh meeting.mp4 --speakers 2 -o ./out

依赖说明:分离引擎和模型住在 yaya-asr 的共享环境里,首次使用前先跑一次 yaya-asr(自动建 venv + 下模型 ~35MB,无需 HF token)。

产物

<stem>.turns.json   {"num_speakers": N, "turns": [{"start", "end", "speaker"}]}

speaker 是按声纹聚类的编号(0..N-1),非真实姓名;不标注重叠语音(两人同时说归一人)。

参数

参数 说明
--speakers N 强制聚成 N 类(引擎语义=确切人数,不是上限)。人少的录音务必填真实人数;不给默认 12 类;-1 按阈值自动聚类(长音频易过分割)
-o DIR 输出目录(默认与输入同目录)
--workdir DIR 缓存目录(默认 .<stem>.diar;yaya-asr 会传自己的缓存目录来共享)

缓存带源文件指纹 + 聚类参数:换音频或换 --speakers 自动作废重算;坏缓存自愈。

eatmoreduck/yaya-skills commit 52daeeb284

Frequently asked questions

npx get-skill add eatmoreduck/yaya-diarize