ComfyUI 声音识别插件 (ComfyUI_pyannote) 超详细教程

1. 插件简介

这是一个帮助我们处理声音的小帮手！它就像是一个超级灵敏的耳朵，可以帮我们分辨出音频里谁在说话，什么时候说的。

GitHub 地址：https://github.com/ramesh-x90/ComfyUI_pyannote

主要功能： - 能识别出音频中有几个人在说话 - 可以判断每个人说话的时间段 - 能给不同说话人打上标签，方便区分

2. 安装方法

就像安装其他 ComfyUI 插件一样，我们有两种方法：

方法一：直接复制（推荐新手使用）

1. 打开你的 ComfyUI 文件夹
2. 找到 custom_nodes 文件夹
3. 在里面新建一个文件夹，名字叫 ComfyUI_pyannote
4. 把插件的所有文件都复制进去

方法二：使用 Git（适合懂技术的朋友）

在 custom_nodes 文件夹下运行：

git clone https://github.com/ramesh-x90/ComfyUI_pyannote

3. 节点详解

3.1 说话人识别节点 (DiarizationNode)

这个节点就像一个超级助手，能帮你分析音频里都有谁在说话。

参数详解： | 参数名(显示) | 参数名(代码) | 参数值类型 | 建议值 | 通俗解释 | 专业解释 | 使用举例 | |-------------|-------------|------------|--------|----------|----------|----------| | 音频文件 | audio_file | 文件路径 | - | 你要分析的声音文件 | 输入音频文件路径 | 比如"对话.wav" | | 最小说话时长 | min_speakers | 数字 | 1 | 最少要有几个人说话 | 最小说话人数量 | 如果你知道至少有2个人对话，就填2 | | 最大说话时长 | max_speakers | 数字 | 5 | 最多能识别几个人 | 最大说话人数量 | 一般群聊不超过5个人就填5 |

3.2 音频分割节点 (AudioChunksNode)

这个节点像是一个剪刀，可以把长音频按照每个人说话的片段剪开。

参数详解： | 参数名(显示) | 参数名(代码) | 参数值类型 | 建议值 | 通俗解释 | 专业解释 | 使用举例 | |-------------|-------------|------------|--------|----------|----------|----------| | 原始音频 | original_audio | 文件 | - | 要切割的音频 | 输入音频文件 | 比如完整的会议录音 | | 说话人信息 | segments | 列表 | - | 每个人说话的时间段 | 分割信息 | 自动从识别节点获取 |

4. 使用技巧和建议

• 音频文件最好是清晰的录音，背景噪音越小越好
• 说话人数建议设置合理范围，不要设太大
• 处理长音频时要耐心等待
• 最好用 WAV 格式的音频文件

5. 常见问题解答

Q: 为什么识别不出说话人？ A: 可能是录音质量不好，或者背景噪音太大。建议用清晰的录音试试。

Q: 处理很慢怎么办？ A: 这是正常的，因为要仔细分析每个声音片段。可以先用短一点的音频测试。

Q: 能不能识别外语？ A: 可以的！这个插件主要是分析声音特征，不限于具体语言。

6. 补充说明

• 第一次使用时需要下载模型文件，会稍微等一会儿
• 建议保持网络通畅，因为需要下载一些必要文件
• 如果遇到问题，可以看看是不是需要更新插件版本

记住，这个插件就像是给你配了个超级助手，帮你整理音频里的对话。只要按步骤来，人人都能用好它！