Hugging Face推理端点集成ASR与说话人分离

Hugging Face 在其推理端点中集成了自动语音识别（ASR）、说话人分离（Speaker Diarization）和推测解码（Speculative Decoding）功能。该集成允许用户通过单一端点实现从音频输入到带说话人标签的转录文本的完整流程，并利用推测解码加速推理。具体而言，ASR 模型（如 Whisper）负责将音频转为文本，说话人分离模型（如 pyannote）识别不同说话人并分配标签，推测解码则通过草稿模型并行生成 token 来提升速度。该方案降低了部署复杂度，适用于会议记录、客服分析等场景。用户可通过 Hugging Face 的推理端点 API 直接调用，无需自行搭建多模型流水线。