anc
Разбор по голосам: «Спикер 1», «Спикер 2»… на компьютере, без сети
- crates/voices: отпечаток голоса реплики (WeSpeaker ResNet34 через
sherpa-onnx, статические сборки под Windows и macOS) и разбиение снизу
вверх со средней связью. Из отпечатков вычитается средний по записи:
без этого у подкаста любые две реплики были похожи на 0,5–0,8.
- После распознавания реплики «Собеседников» и файла раскладываются по
голосам; микрофон — «Я». Отпечатки и реплики — в voices.json рядом с
записью: «Говорящих: N» пересобирает разбиение без новой расшифровки.
- Ход работы: этап «Разделяю по голосам» с процентом; по ходу
распознавания у реплик разбираемых дорожек ещё нет имени.
- Исправлено: файл без смены говорящего ложился одним абзацем 00:00:00
(подкаст 1 ч 52 мин — 170 КБ одной строкой). Абзац теперь — реплики
одного говорящего без пауз больше 1,5 с и не длиннее ~600 знаков.
У реплики появился конец (из ответа Whisper или до следующей).
- Модель (26 МБ) не в git: scripts/fetch-models.sh с проверкой SHA-256,
в сборку — ресурсом. Windows — со статической средой C (+crt-static,
явная libucrt): установщику не нужен VC++ Redistributable; crate-type
ядра — только rlib (cdylib нужен лишь мобильным платформам).
- Проверено на подкасте Kuji 230 (1 ч 52 мин, трое в студии): трое,
48 % / 36 % / 15 % речи, отпечатки 1184 реплик за ~3 мин.
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
d0d9d7d
30 сентября 2026 г.
config.toml
# Windows: C/C++-среда выполнения — статически. Движок голосов (sherpa-onnx и
# onnxruntime) собран с /MT; смешивать его с динамической средой Rust нельзя.
# Заодно программе не нужен Visual C++ Redistributable.
[target.x86_64-pc-windows-msvc]
rustflags = ["-C", "target-feature=+crt-static"]