这是一个创建于 571 天前的主题，其中的信息可能已经有所发展或是发生改变。
小规模会议场景（小于 10 人）下的说话人分割，希望能流式处理，请问什么模型延迟和准确性比较好呢？
提前感谢大佬回复！
（目前试过 funasr 的 cam++，分割效果不太好）
 | 1 jr55475f112iz2tu 2024-05-06 22:08:36 +08:00 |
 | 2 q0000001 2024-05-06 23:06:22 +08:00 via Android 多嘴问问，funasr 可以流式识别说话人？ |
 | 3 BMPixel 2024-05-07 09:14:22 +08:00 我之前自己试了几个，WhisperX 效果是最好的，不过好像不能流式。 |
| 6 q0000001 2024-05-07 15:32:54 +08:00 @Leon6868 我也看到有，但是基本上都是非实时语音识别才有加载 cam++，看到 issue 里面说流式没有，所以一直没看到。 能再问问你是用 paraformer-zh-streaming 这个，再加载 cam++吗？ |
 | 为什么要分割人 |
 | 8 Leon6868 OP @q0000001 #6 我描述得确实不太准确，当时是采用滑窗方式分割说话人的，类似 3s 历史+2s(未处理）这样（迫真流式）。我也没找到近期实时说话人识别/分割的工作，如果见到类似的工作欢迎多交流 |
| 9 q0000001 2024-05-07 22:50:57 +08:00 via iPhone |
| 10 Leon6868 OP @q0000001 #9 最近尝试了一个非常好的项目，sherpa onnx ，在 asr 和 说话人分割/识别 方面基本能满足我的需求，你可以试一下 |
Select Language