Dmitriy Dementiev
b8092aade5
- Зачем: - требовалось проверить долю смешанных ASR-сегментов на трёх записях, включая разговоры на двоих. - Что: - добавлен отчёт с долями сегментов и времени для трёх рабочих созвонов. - обвязка замеров переведена на откалиброванный порог 0,89. - исследовательский скрипт приведён к формату ruff. - Проверка: - выполнены три полных прогона bench_conflict.py с WeSpeaker и порогом 0,89. - uv run ruff check и ruff format --check прошли успешно.
65 lines
4.1 KiB
Markdown
65 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 0.89
|
||
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 откалиброван.** По умолчанию стоит 0,89 — единственное
|
||
проверенное значение, которое без знания числа участников дало правильные
|
||
3 / 2 / 2 кластера на трёх калибровочных фрагментах. Решение и ограничения
|
||
описаны в
|
||
[отчёте о калибровке](../../docs/benchmarks/2026-08-14-diarization-calibration.md).
|
||
- **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.
|