¿Qué hace skillsbench?
Combina características visuales (detección de rostros, análisis de movimiento de labios) con características de audio para mejorar la precisión de la diarización de hablantes en archivos de video. Utiliza OpenCV para la detección de rostros y el seguimiento del movimiento de labios, luego fusiona las señales visuales con las inserciones de hablantes basadas en audio. Esencial al procesar archivos de video con múltiples hablantes visibles o cuando la diarización solo con audio necesita validación visual.