NPU上部署ASR流式输出搞定了想集成说话人分离怎么操作呢？

[bottleofwater11]

想实现说话人分离的流式ASR，类似与会议记录一样，想处理paddlespeech 流式ASR的ws协议给过来的缓存然后调用一个说话人分离模型再走ASR，但是代码能力有限暂未实现？请问这个思路可行么或者还有其他的方法？望大佬们给给建议

[zxcd]

思路是可行的

[bottleofwater11]

思路是可行的

代码能力有限现在还没改出来哈哈哈哈

[zxcd]

你需要一个流式的说话人分离模型。如果没有说话人重叠，也可以考虑想过asr跟说话人模型一起跑，然后按照分类结果把输出文本加在哪。

[bottleofwater11]

你需要一个流式的说话人分离模型。如果没有说话人重叠，也可以考虑想过asr跟说话人模型一起跑，然后按照分类结果把输出文本加在哪。

我现在想用的Conv-TasNet去分离，因为我不需要声纹识别只要区分就行了，不过加不对

[zxcd]

也能用，喂一个chunk的数据也能跑，思路感觉没什么问题。

[bottleofwater11]

也能用，喂一个chunk的数据也能跑，思路感觉没什么问题。
难改啊哈哈哈哈，思路可行的话我就接着再看看，多谢大佬啦

[zxcd]

客气啦，输入的拼接你可以参考paddlespeech多服务的模式来改，比如识别后接标点恢复的那种

[bottleofwater11]

客气啦，输入的拼接你可以参考paddlespeech多服务的模式来改，比如识别后接标点恢复的那种

嗯嗯好