Dmitriy DementievandClaude Opus 5
1cb6a36c92
- Зачем:
- тикеты карты #10-#13 опираются на измерительную обвязку, которая до сих пор
жила во временном каталоге сессии и исчезла бы вместе с ним.
- Что:
- перенесены четыре скрипта разведки: ASR, один прогон диаризации, свип порога
кластеризации и подсчёт чистоты ASR-сегментов.
- общая часть вынесена в common.py: пути от корня репозитория вместо
захардкоженных, конфигурация диаризатора, проверка наличия моделей.
- починен замер пиковой памяти: нужен экспорт K32GetProcessMemoryInfo из
kernel32 и явные argtypes, иначе дескриптор процесса уезжает 32-битным.
- модели и выход замеров исключены из истории локальным .gitignore.
- Проверка:
- export PYTHONIOENCODING=utf-8
- uv run --with sherpa-onnx python .scratch/diarization/bench_diar.py "<запись>" 8 0.9
Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
64 lines
4.1 KiB
Markdown
64 lines
4.1 KiB
Markdown
# Обвязка замеров диаризации
|
||
|
||
Исследовательские скрипты для карты
|
||
[Карта: диаризация спикеров в транскрипте](https://git.dementev.space/ddmitry/local-transcriber/issues/8) (#8).
|
||
Не часть пакета: они опираются на `sherpa-onnx`, которого нет в зависимостях
|
||
проекта, и живут в `.scratch/`, а не в `src/`.
|
||
|
||
Результаты первого прогона описаны в
|
||
[разведочном замере](../../docs/benchmarks/2026-08-12-diarization-feasibility.md).
|
||
|
||
## Модели
|
||
|
||
Скачиваются один раз в `models/`, в git не попадают (см. `.gitignore` рядом).
|
||
|
||
```bash
|
||
mkdir -p models && cd models
|
||
curl -sSL -O https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-segmentation-models/sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
|
||
tar xjf sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
|
||
curl -sSL -O https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/wespeaker_en_voxceleb_resnet34_LM.onnx
|
||
```
|
||
|
||
Сегментация — 6,9 МБ, эмбеддинги — 26,5 МБ. Опечатка `recongition` в URL
|
||
относится к самому релизу sherpa-onnx, это не ошибка набора.
|
||
|
||
## Скрипты
|
||
|
||
| Скрипт | Что делает | Тикеты |
|
||
|---|---|---|
|
||
| `bench_asr.py` | ASR тем же путём, что CLI: время, RTF, память | #13 |
|
||
| `bench_diar.py` | один прогон диаризации, сохраняет разметку в `segments-<порог>.tsv` | #12, #13 |
|
||
| `bench_sweep.py` | свип порога кластеризации и явного числа говорящих | #10 |
|
||
| `bench_conflict.py` | доля ASR-сегментов, внутри которых меняется говорящий | #11 |
|
||
| `common.py` | пути, конфигурация диаризатора, замер памяти | — |
|
||
|
||
## Запуск
|
||
|
||
Из корня репозитория. `PYTHONIOENCODING=utf-8` нужен, иначе вывод падает на
|
||
консоли cp1251.
|
||
|
||
```bash
|
||
export PYTHONIOENCODING=utf-8
|
||
|
||
uv run python .scratch/diarization/bench_asr.py "<путь к записи>"
|
||
uv run --with sherpa-onnx python .scratch/diarization/bench_diar.py "<путь>" 8 0.9
|
||
uv run --with sherpa-onnx python .scratch/diarization/bench_sweep.py "<путь>"
|
||
uv run --with sherpa-onnx python .scratch/diarization/bench_conflict.py "<путь>"
|
||
```
|
||
|
||
## Что стоит знать до запуска
|
||
|
||
- **Порог кластеризации не откалиброван.** По умолчанию стоит 0,9 — значение из
|
||
разведки, подобранное на одной записи и на ней же проверенное. На пороге 0,5
|
||
из примеров sherpa-onnx получалось 29 говорящих вместо трёх. Калибровка — это
|
||
тикет #10, до его закрытия любое значение считается временным.
|
||
- **Свип дорогой.** Каждая конфигурация — полный прогон сегментации и
|
||
эмбеддингов, около 2,5 минут на 26-минутную запись, и время от настроек
|
||
кластеризации практически не зависит. Свип вести на коротком фрагменте.
|
||
- **Чистота сегментов меряется относительно диаризации.** Если её границы
|
||
систематически смещены, метрика измеряет не то, что кажется. Проверка границ
|
||
на слух — тикет #12, и он намеренно идёт до калибровки.
|
||
- **Замер памяти чинился.** В разведке `psapi.GetProcessMemoryInfo` молча
|
||
возвращал ноль; `common.peak_rss_mb()` теперь зовёт `K32GetProcessMemoryInfo`
|
||
из kernel32 и проверяет код возврата.
|