docs(research): выбрана схема оценки числа говорящих
- Зачем: - быстрым моделям эмбеддингов нужен автоматический подсчет без повторного инференса. - Что: - проверены возможности повторного использования эмбеддингов в публичном API sherpa-onnx. - сопоставлены порог, eigengap, NME-SC и двухшаговая кластеризация. - зафиксирована граница NumPy-прототипа без production-зависимости от NeMo. - Проверка: - git diff --cached --check.
This commit is contained in:
Dmitry Dementiev committed
1 parent
5c6697ecbf
commit
b09036eaa3
1 file changed
+281
@@ -0,0 +1,281 @@
|
||||
# Оценка числа говорящих для быстрых эмбеддингов
|
||||
|
||||
**Дата:** 2026-08-30
|
||||
|
||||
**Статус:** исследовательская записка. Production-код и конфигурация не
|
||||
менялись.
|
||||
|
||||
## Вопрос
|
||||
|
||||
Как отделить оценку числа говорящих от порога `FastClustering`, чтобы
|
||||
использовать быстрые CAMPPlus или TitaNet и не запускать сегментацию и
|
||||
извлечение эмбеддингов второй раз?
|
||||
|
||||
## Краткий вывод
|
||||
|
||||
Нужна двухшаговая схема: один раз получить ровно те эмбеддинги, которые
|
||||
подготовил конвейер sherpa-onnx, отдельно оценить по ним число голосовых
|
||||
кластеров `N`, затем передать `N` штатному `FastClustering`. Для первого
|
||||
прототипа рекомендован **только счетчик NME**, без полной spectral clustering:
|
||||
ядро алгоритма из статьи реализовать на уже доступном NumPy, а итоговые метки
|
||||
по-прежнему получить через `FastClustering(num_clusters=N)`. Простой eigengap с
|
||||
фиксированным прореживанием нужен как дешевый контрольный вариант.
|
||||
|
||||
Публичного промежуточного интерфейса для этого в sherpa-onnx 1.13.5 нет.
|
||||
`SpeakerEmbeddingExtractor` и `FastClustering` публичны, но
|
||||
`OfflineSpeakerDiarization.process()` возвращает только готовые интервалы.
|
||||
Матрица эмбеддингов и соответствие строк локальным говорящим остаются внутри
|
||||
реализации. После `set_config()` повторный `process()` снова выполнит модельный
|
||||
инференс. Python-адаптер проекта сам по себе не может дать дешевую повторную
|
||||
кластеризацию; будущему прототипу нужен узкий исследовательский интерфейс на
|
||||
уровне sherpa-onnx.
|
||||
|
||||
## Что подтверждено про sherpa-onnx
|
||||
|
||||
### `FastClustering` уже умеет второй шаг
|
||||
|
||||
В версии 1.13.5 алгоритм нормирует строки, строит все попарные cosine
|
||||
dissimilarity, выполняет complete-linkage AHC и затем выбирает один из двух
|
||||
способов разрезать одно и то же дерево:
|
||||
|
||||
- при `num_clusters > 0` - ровно на заданное число кластеров;
|
||||
- иначе - по высоте `threshold`.
|
||||
|
||||
Это видно непосредственно в
|
||||
[`fast-clustering.cc`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/fast-clustering.cc)
|
||||
и закреплено в комментарии к
|
||||
[`FastClusteringConfig`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/fast-clustering-config.h):
|
||||
при известном числе кластеров порог игнорируется. Python binding публично
|
||||
принимает C-contiguous матрицу `float32` размера `M x D` и возвращает метку для
|
||||
каждой строки
|
||||
([исходник binding](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/fast-clustering.cc)).
|
||||
Значит, передавать оцененное `N` в существующий кластеризатор не требует новой
|
||||
реализации распределения эмбеддингов по кластерам.
|
||||
|
||||
Порог `FastClustering` не принадлежит модели эмбеддингов. Это высота
|
||||
complete-linkage дерева в шкале cosine dissimilarity. Официальный пример
|
||||
CAMPPlus для speaker verification лишь вычисляет cosine score и не задает
|
||||
универсальной границы решения
|
||||
([`infer_sv.py`](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/bin/infer_sv.py)).
|
||||
Официальный diarization-рецепт 3D-Speaker отдельно задает `pval=0.012` для
|
||||
spectral clustering и `mer_cos=0.8` для последующего слияния центров
|
||||
([`infer_diarization.py`](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/bin/infer_diarization.py)).
|
||||
Эти величины имеют другой смысл и не могут быть перенесены в sherpa как
|
||||
`порог модели`.
|
||||
|
||||
### Публичных деталей недостаточно для повтора всего конвейера
|
||||
|
||||
Публичный `SpeakerEmbeddingExtractor` позволяет создать stream, подать в него
|
||||
аудио и получить один embedding
|
||||
([Python binding](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/speaker-embedding-extractor.cc),
|
||||
[C/C++ API](https://k2-fsa.github.io/sherpa/onnx/c-api/html/speaker_embedding.html)).
|
||||
Это пригодно для самостоятельно выбранного фрагмента, но не выдает материал,
|
||||
который выбрал diarization-конвейер.
|
||||
|
||||
Внутри `OfflineSpeakerDiarization` после сегментации:
|
||||
|
||||
1. из перекрывающихся окон строятся пары `окно x локальный говорящий`;
|
||||
2. речь с одновременными голосами исключается;
|
||||
3. для каждой пары собирается свой stream и вычисляется embedding;
|
||||
4. вся матрица передается в `FastClustering`;
|
||||
5. метки строк переводятся обратно в разметку говорящих.
|
||||
|
||||
Последовательность и временная матрица видны в
|
||||
[`OfflineSpeakerDiarizationPyannoteImpl::Process`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h#L87-L204),
|
||||
а сборка строк - в
|
||||
[`GetChunkSpeakerSampleIndexes` и `ComputeEmbeddings`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h#L376-L528).
|
||||
Это private-методы реализации.
|
||||
|
||||
Python-класс `OfflineSpeakerDiarization` экспортирует только `sample_rate`,
|
||||
`set_config` и `process`; `process` возвращает готовый результат, а не признаки
|
||||
([binding 1.13.5](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/offline-speaker-diarization.cc#L73-L128)).
|
||||
Внутренний `SetConfig` заменяет только объект кластеризации, тогда как каждый
|
||||
`Process` заново вызывает segmentation и `ComputeEmbeddings`
|
||||
([реализация](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h#L79-L175)).
|
||||
Актуальная публичная C API также документирует только создание, настройку и
|
||||
получение итоговых сегментов
|
||||
([официальная страница](https://k2-fsa.github.io/sherpa/onnx/c-api/html/speaker_diarization.html)).
|
||||
|
||||
Итог: публичный API позволяет **кластеризовать имеющуюся матрицу повторно**.
|
||||
Извлечь или переиграть промежуточную матрицу штатного diarization-конвейера
|
||||
через него нельзя.
|
||||
|
||||
## Варианты оценки `N`
|
||||
|
||||
### 1. Отдельный порог для каждой embedding-модели
|
||||
|
||||
Это текущий `FastClustering` в автоматическом режиме. Он дешев, не добавляет
|
||||
зависимостей и на одном проходе сразу оценивает число кластеров и назначает
|
||||
метки. На порог влияют архитектура модели эмбеддингов, длительность и состав
|
||||
выбранных фрагментов, акустика и распределение голосов. Локальная калибровка
|
||||
уже не нашла общего рабочего порога для CAMPPlus,
|
||||
а TitaNet не прошел автоматическую сетку
|
||||
([исходное исследование](2026-08-14-diarization-cpu-cost.md),
|
||||
[повторный CPU-тест](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)).
|
||||
|
||||
Вводить еще один `официальный порог модели` оснований нет: upstream-рецепты
|
||||
публикуют параметры конкретного clustering pipeline, а не переносимую границу
|
||||
для complete-linkage sherpa. Вариант остается контрольным, но не решает тикет.
|
||||
|
||||
### 2. Spectral clustering с простым eigengap
|
||||
|
||||
Официальный CAMPPlus-конвейер 3D-Speaker строит cosine affinity, оставляет в
|
||||
каждой строке фиксированную долю ближайших соседей, симметризует матрицу,
|
||||
вычисляет ненормированный Laplacian и несколько наименьших собственных пар.
|
||||
Число говорящих - позиция максимального eigengap в заданных пределах, после
|
||||
чего собственные векторы кластеризуются k-means
|
||||
([`SpectralCluster`](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/process/cluster.py#L21-L106)).
|
||||
|
||||
Для нашей двухшаговой схемы нужны только собственные значения и оценка `N`;
|
||||
k-means можно не выполнять. Это одна spectral decomposition и потому хороший
|
||||
минимальный контрольный вариант. Однако фиксированный `pval` остается новым
|
||||
порогом.
|
||||
Официальная реализация задает его для своего способа нарезки; пары
|
||||
`окно x локальный говорящий` sherpa устроены иначе. Вариант отделяет `N` от
|
||||
порога AHC, но сохраняет калибруемый параметр.
|
||||
|
||||
Если брать реализацию 3D-Speaker как зависимость, она импортирует NumPy, SciPy,
|
||||
scikit-learn, fastcluster, UMAP и HDBSCAN, причем последние два обязательны уже
|
||||
при импорте модуля
|
||||
([исходник](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/process/cluster.py#L3-L18),
|
||||
[requirements](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/requirements.txt)).
|
||||
Для production это несоразмерно счетчику.
|
||||
|
||||
### 3. NME-SC
|
||||
|
||||
NME-SC создан именно для совместной оценки числа кластеров и параметра
|
||||
прореживания без dev-set. Для каждого числа соседей `p` алгоритм бинаризует
|
||||
cosine affinity, симметризует ее, строит ненормированный Laplacian и считает
|
||||
eigengap. Нормированный gap равен максимальному gap, деленному на наибольшее
|
||||
собственное значение; выбирается `p`, минимизирующий отношение `p / gap`, а `N`
|
||||
задает позиция максимального gap
|
||||
([статья авторов, раздел III](https://arxiv.org/abs/2003.02405)).
|
||||
Авторы ограничивали поиск `p` диапазоном до четверти числа фрагментов и число
|
||||
говорящих - восемью; результаты статьи получены на x-vector и англоязычных
|
||||
корпусах, поэтому перенос на наши эмбеддинги еще предстоит проверить.
|
||||
|
||||
Поддерживаемая реализация NeMo принимает готовые эмбеддинги, строит cosine
|
||||
affinity и отдельно получает `est_num_of_spk`; известное число говорящих затем
|
||||
подменяет эту оценку перед spectral clustering
|
||||
([`offline_clustering.py`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L1087-L1161)).
|
||||
Для ускорения NME она по умолчанию ограничивает матрицу анализа 512 строками,
|
||||
перебирает разреженную сетку из 30 значений `p` и предупреждает, что меньше 20
|
||||
может ухудшить оценку
|
||||
([класс `NMESC`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L801-L958)).
|
||||
Для коротких записей NeMo добавляет случайные anchor embeddings и повторяет
|
||||
оценку. Это отдельное расширение за пределами минимального ядра статьи
|
||||
([исходник](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L536-L595)).
|
||||
|
||||
Полная NME-SC после оценки `N` еще раз раскладывает Laplacian, строит spectral
|
||||
embeddings и запускает k-means. Для этого тикета такая замена итогового
|
||||
кластеризатора не нужна: локальные тесты уже показывают полезный путь
|
||||
`FastClustering` с известным числом говорящих. Нужна только функция
|
||||
`embeddings -> N`.
|
||||
|
||||
### 4. Оценить `N`, затем передать известное число кластеров
|
||||
|
||||
Это не отдельный счетчик. Это рекомендуемая граница ответственности:
|
||||
|
||||
```text
|
||||
segmentation -> embeddings +-> count-only NME -> N
|
||||
+-> FastClustering(features, num_clusters=N)
|
||||
-> штатная финализация sherpa
|
||||
```
|
||||
|
||||
Плюсы:
|
||||
|
||||
- порог complete-linkage больше не определяет число голосовых кластеров;
|
||||
- CAMPPlus и TitaNet используют один модельный проход;
|
||||
- итоговое назначение меток остается в уже принятом FastClustering;
|
||||
- на одной матрице можно независимо сравнить несколько счетчиков.
|
||||
|
||||
Минус один, но архитектурный: без нового промежуточного интерфейса текущий
|
||||
`process()` не позволяет вставить счетчик между вычислением матрицы и
|
||||
кластеризацией.
|
||||
|
||||
## Зависимости, лицензии и цена
|
||||
|
||||
Штатная установка NeMo требует среди прочего NumPy, scikit-learn и PyTorch
|
||||
([`pyproject.toml`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/pyproject.toml)).
|
||||
|
||||
| Вариант | Новые runtime-зависимости | Дополнительная работа после эмбеддингов | Ограничение |
|
||||
|---|---|---|---|
|
||||
| Порог `FastClustering` | нет | уже существующие попарные расстояния и AHC | порог калибруется для модели и материала |
|
||||
| Простой eigengap | SciPy в официальной реализации; либо только уже доступный NumPy | affinity `M x M`, одно собственное разложение | фиксированный параметр прореживания |
|
||||
| Полная NME-SC NeMo | `nemo-toolkit`, PyTorch, scikit-learn и другие зависимости NeMo | до нескольких десятков eigenvalue-разложений, затем еще spectral embedding и k-means | самый тяжелый и меняет итоговый кластеризатор |
|
||||
| Счетчик NME + FastClustering | только NumPy при чистой реализации ядра статьи | NME на ограниченной матрице, затем штатный AHC по известному `N` | нужен промежуточный интерфейс и локальная проверка переноса |
|
||||
|
||||
`FastClustering` уже хранит `M(M-1)/2` расстояний и строит AHC. Простой
|
||||
eigengap добавляет еще одну плотную affinity-матрицу. NME повторяет eigenvalue-
|
||||
анализ для набора `p`; ограничение размера и разреженный поиск контролируют
|
||||
цену, но их влияние на качество нужно измерить. Полная spectral clustering
|
||||
также хранит собственные векторы и запускает k-means, поэтому для одной оценки
|
||||
`N` избыточна. В проектных замерах основной расход по-прежнему приходится на
|
||||
извлечение эмбеддингов, а не на clustering
|
||||
([профиль стоимости](2026-08-14-diarization-cpu-cost.md),
|
||||
[CPU-тест](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)); это не
|
||||
заменяет отдельного замера NME на целевой матрице.
|
||||
|
||||
sherpa-onnx, 3D-Speaker и NeMo Speech распространяют код под Apache-2.0
|
||||
([sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/LICENSE),
|
||||
[3D-Speaker](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/LICENSE),
|
||||
[NeMo Speech](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/LICENSE)).
|
||||
Авторская реализация NME-SC опубликована под MIT и сама направляет пользователей
|
||||
к поддерживаемой версии NeMo
|
||||
([репозиторий авторов](https://github.com/tango4j/Auto-Tuning-Spectral-Clustering/tree/ae97f9be9c33b554205c7192c5137ce8f456c1b7)).
|
||||
Файл NeMo с clustering дополнительно сохраняет BSD-уведомление scikit-learn.
|
||||
NumPy имеет BSD-3-Clause
|
||||
([лицензия 2.4.3](https://github.com/numpy/numpy/blob/v2.4.3/LICENSE.txt)) и уже
|
||||
присутствует в [lock-файле проекта](../../uv.lock). Лицензионного запрета на
|
||||
прототип нет;
|
||||
прямое заимствование кода потребует сохранить его уведомления. Новые модели
|
||||
для счетчика не нужны.
|
||||
|
||||
## Ограничения вывода
|
||||
|
||||
- NME-SC проверялась авторами на другой нарезке и x-vector. Строки sherpa - это
|
||||
локальные говорящие перекрывающихся Pyannote-окон после исключения overlap;
|
||||
переносимость нельзя считать доказанной.
|
||||
- Правильное `N` не гарантирует качественную разметку говорящих. Для TitaNet в
|
||||
режиме известного числа кластеров уже наблюдался малый кластер, поэтому нужны
|
||||
прежние proxy-метрики и слуховая проверка.
|
||||
- У sherpa есть отдельный путь для единственного окна, который обходится без
|
||||
общей матрицы эмбеддингов. Прототип не должен ломать этот special case.
|
||||
- Python binding `FastClustering` нормирует переданную матрицу на месте;
|
||||
сравниваемым вариантам нужно выдавать отдельные C-contiguous копии.
|
||||
- Цена NME на числе строк, которое реально создает sherpa, здесь не измерялась.
|
||||
|
||||
## Точная граница будущего прототипа
|
||||
|
||||
Production-код, CLI, модели по умолчанию и ADR не менять. Сделать отдельный
|
||||
исследовательский стенд на закрепленном sherpa-onnx 1.13.5:
|
||||
|
||||
1. Узко разделить внутренний `Process` на подготовку и финализацию либо добавить
|
||||
исследовательский callback после `ComputeEmbeddings`. За один проход
|
||||
сохранить в памяти матрицу `float32`, список валидных пар
|
||||
`окно x локальный говорящий` и локальные frame labels; аудио и текст не
|
||||
сериализовать.
|
||||
2. На **одной и той же** матрице сравнить три счетчика:
|
||||
текущий порог как контроль, простой eigengap с фиксированным прореживанием и
|
||||
count-only NME. Ограничить `N` диапазоном `1..8`.
|
||||
3. Минимальный NME реализовать по статье на NumPy: cosine affinity,
|
||||
top-`p` binarization, симметризация, ненормированный Laplacian,
|
||||
`numpy.linalg.eigvalsh`, выбор `p` и `N` по NME. Для первого прогона взять
|
||||
детерминированное ограничение 512 строк и sparse search из 20 значений;
|
||||
anchor embeddings, Torch, spectral embeddings и k-means не включать.
|
||||
4. Для каждого оцененного `N` вызвать публичный `FastClustering` на копии той же
|
||||
матрицы с `num_clusters=N`, затем выполнить существующую финализацию без
|
||||
повторной сегментации или извлечения эмбеддингов.
|
||||
5. На тех же трех контрольных фрагментах измерить: оцененное `N`, общее и
|
||||
содержательное число кластеров, mapped speaker purity, слова без говорящего,
|
||||
время счетчика/кластеризации и peak RSS. Прогон с CAMPPlus и TitaNet должен
|
||||
завершиться слуховой проверкой.
|
||||
6. Если простой eigengap и NME одинаково проходят проверку, выбрать более
|
||||
дешевый eigengap. Если проходит только NME, отдельно решить, переносить ли
|
||||
чистую NumPy-реализацию в production. Если оба ошибаются, быстрые embedding-
|
||||
модели оставить только для явно заданного числа говорящих.
|
||||
|
||||
Этот прототип отвечает ровно на два неизвестных: можно ли стабильно оценить
|
||||
`N` по внутренним эмбеддингам CAMPPlus/TitaNet и укладывается ли count-only NME
|
||||
в приемлемую CPU-цену. Он не выбирает новую модель по умолчанию, не заменяет
|
||||
FastClustering и не расширяет продуктовый контракт.
|
||||
Reference in new issue
Block a user