🎵 语音转录与说话人分离项目

translate_node_test_v1/
├── 0.comprehensive_pipeline.py    # 🌟 综合处理流水线 (推荐)
├── 0.env_check.py                 # 环境检测脚本
├── 1.faster_whisper_test.py       # 语音转录脚本
├── 2.audio_test.py                # 说话人分离脚本  
├── 3.alignment_script.py          # 对齐脚本
├── audio_text_viewer.html         # 交互式预览器
├── result/                        # 结果目录
│   ├── transcription/             # 转录结果
│   ├── diarization/               # 说话人分离结果
│   └── alignment/                 # 对齐结果
├── audio/                         # 音频文件目录
├── requirements.txt               # Python依赖
├── environment.yml                # Conda环境
└── README.md                      # 使用说明

# 1. 运行综合流水线
python 0.comprehensive_pipeline.py

# 2. 启动HTTP服务器
python -m http.server 8080

# 3. 打开浏览器
# http://localhost:8080/audio_text_viewer.html

# 1. 环境检测
python 0.env_check.py

# 2. 语音转录
python 1.faster_whisper_test.py

# 3. 说话人分离
python 2.audio_test.py

# 4. 结果对齐
python 3.alignment_script.py

# 创建环境
conda create -p ./translate python=3.10 -y
conda activate ./translate

# 安装核心依赖
pip install faster-whisper
pip install pyannote.audio

# 可选：系统监控
conda install psutil -y

# 安装GPU版PyTorch和torchaudio
pip install torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu128 --force-reinstall

# 重新安装pyannote.audio (避免依赖冲突)
pip install pyannote.audio --no-deps

# 在项目根目录启动HTTP服务器
python -m http.server 8080

# 浏览器访问
http://localhost:8080/audio_text_viewer.html

# 检查环境配置
python 0.env_check.py

# 查看检测报告
ls result/env_check/

# 支持的格式：wav, mp3, flac, m4a, ogg, aac
cp your_audio.wav audio/

# 运行综合流水线
python 0.comprehensive_pipeline.py

# 按提示选择音频文件
# 等待处理完成 (根据音频长度5-30分钟)

# 启动预览服务器
python -m http.server 8080

# 浏览器打开
# http://localhost:8080/audio_text_viewer.html

# 选择生成的文件并开始使用

{
  "metadata": {
    "transcription_source": {
      "model": "large-v2",
      "language": "zh", 
      "duration": 180.5,
      "performance": { "speed_factor": 150.2 }
    },
    "diarization_source": {
      "model": "pyannote/speaker-diarization-3.0",
      "total_speakers": 2
    },
    "alignment_timestamp": "2025-01-07T15:30:45",
    "overlap_threshold": 0.5
  },
  "alignment_stats": {
    "total_segments": 127,
    "aligned_segments": 117,
    "unaligned_segments": 10,
    "speaker_distribution": {
      "SPEAKER_00": 65,
      "SPEAKER_01": 52
    }
  },
  "aligned_segments": [
    {
      "id": 0,
      "start": 0.0,
      "end": 1.76,
      "text": "大家好，欢迎收听今天的节目。",
      "speaker": "SPEAKER_01",
      "confidence": 0.983,
      "words": [
        {"word": "大家好", "start": 0.0, "end": 0.5, "probability": 0.99}
      ]
    }
  ]
}

================================================================================
语音处理综合结果
================================================================================
总片段数: 127
成功对齐: 117
对齐率: 92.1%

说话人分布:
  SPEAKER_00: 65 个片段
  SPEAKER_01: 52 个片段

[SPEAKER_01]
[0.00s - 1.76s] 大家好，欢迎收听今天的节目。
[1.76s - 4.23s] 今天我们将讨论人工智能的发展...

[SPEAKER_00]
[4.23s - 6.85s] 是的，这确实是一个很有趣的话题。

# 选择更小的模型
# 在脚本中修改: model_size = "base"  # 代替 "large-v2"

# 清理GPU缓存
python -c "import torch; torch.cuda.empty_cache()"

# 设置Hugging Face镜像
export HF_ENDPOINT=https://hf-mirror.com

# 或使用代理
export https_proxy=http://127.0.0.1:7890

# 检查文件权限
chmod 644 *.json
chmod 644 audio/*

# 手动放置对齐文件到根目录
cp result/alignment/aligned_*.json ./

# 使用ffmpeg转换
ffmpeg -i input.mp4 -acodec pcm_s16le -ar 16000 audio/output.wav

# 开启详细输出
export CUDA_LAUNCH_BLOCKING=1
python 0.comprehensive_pipeline.py

# 浏览器调试 (F12 → Console)
# 查看文件扫描和加载日志

# 设置GPU
export CUDA_VISIBLE_DEVICES=0

# 优化内存使用
export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

# 对齐脚本支持参数
python 3.alignment_script.py \
  --transcription result/transcription/trans_xxx.json \
  --diarization result/diarization/diar_xxx.json \
  --output my_result \
  --threshold 0.6

# 处理多个音频文件
for audio in audio/*.wav; do
    echo "Processing $audio"
    python 1.faster_whisper_test.py
    # 自动选择当前文件...
done

git clone https://github.com/yourname/translate_node_test_v1.git
cd translate_node_test_v1
conda activate ./translate
python 0.env_check.py