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
5b5fd535d6
commit
e3c9040bfe
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