Communitygithub.com

benchflow-ai/skillsbench

结合视觉特征(人脸检测、嘴唇运动分析)与音频特征,提升视频文件中说话人分割的准确性。使用OpenCV进行人脸检测和嘴唇运动追踪,然后将视觉线索与基于音频的说话人嵌入融合。

skillsbench 是什么?

该技能旨在通过融合视觉和音频特征,显著提高视频文件中说话人分割(Speaker Diarization)的准确性。当处理包含多个可见说话人的视频文件,或纯音频分割需要视觉验证时,该技能至关重要。它利用OpenCV进行人脸检测和嘴唇运动追踪以提取视觉线索,然后将这些线索与基于音频的说话人嵌入(Speaker Embeddings)进行融合。通过整合视觉模态信息,该技能能够有效识别谁在何时说话,从而减少纯音频方法的误判,特别适用于视频会议、多人访谈或影视剧等场景。该技能支持CLI工具,并鼓励用户根据环境调整参数(如GPU或OpenCL优化)。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add benchflow-ai/skillsbench

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

skillsbench 是做什么的?

结合视觉特征(人脸检测、嘴唇运动分析)与音频特征,提升视频文件中说话人分割的准确性。使用OpenCV进行人脸检测和嘴唇运动追踪,然后将视觉线索与基于音频的说话人嵌入融合。当处理包含多个可见说话人的视频文件,或纯音频分割需要视觉验证时,该技能至关重要。

相关技能