做了个会议录音 → 知识库的全自动管线，开源了，来分享一下。

背景：公司用 Plaud 录音笔积累了大量会议录音，但一直躺在那里没人整理。Plaud 自带的 AI 笔记质量一般，而且说话人都是匿名的（ Speaker 1 、Speaker 2…），行动项根本没法落实到人。

做了什么：

录音文件 → 说话人分割 → 身份具名 → AI 纪要 → Wiki 知识库
                                                    ↓
                                          可浏览 + 可搜索 + 可 RAG 问答

每天 22:00 cron 自动跑，0 人工干预。

最核心的部分：三阶段说话人具名漏斗

说话人识别我试过纯声纹方案，发现 CAM++ 跨录音根本不可靠——同一个人在不同录音的余弦相似度只有 0.50–0.65 ，反而不如不同人在同一录音的 0.85–0.97 。直接用声纹聚类，阈值 0.65 时同一个人被拆成 17 个簇。

最后用了三层漏斗：

最终 94% 片段具名率（ 56,862 / 60,664 ）。有了具名，行动项才能从"某参与人说要做某事"变成"张经理需在周五前提交报价"。

技术栈：

• 说话人分割：pyannote community-1 （ GPU ，~28x 实时，比 CAM++ 分割准多了）
• ASR：FunASR Paraformer-large
• 声纹提取：CAM++ 192-dim embedding
• LLM：OpenAI 兼容接口（ Claude / GPT / 本地 Ollama 均可）
• Wiki：纯 Python http.server + mistune ，零框架
• 中文搜索：自制 Bigram 分词，不依赖 jieba

几个踩坑记录：

1. pyannote 直接读 OGG 会有分割边界漂移，先 ffmpeg 转 16kHz WAV
2. 54 分钟音频不加 VAD 直接跑 FunASR → 需要 43GB 显存 → OOM ，必须开 fsmn-vad
3. LLM 输出 JSON 要多策略解析（ strip code fence → bare JSON → trailing comma ），单一策略会静默丢结果
4. S3 预签名 URL 不能带 Authorization header ，得用干净 session

开源地址： https://github.com/xclgordon/plaud-pipeline

架构文档在 docs/architecture.md，比较详细。

需要 NVIDIA GPU （ pyannote 分割），其他没有特殊依赖。主流程已经和 Plaud 解耦，把录音文件丢进 recordings/ 文件夹就能跑。

欢迎提问和 PR 。