SpeechRecognition/CLEANUP_SUMMARY.md

代码清理总结

清理目标

以 main.py 的流程为主，删除其他文件中的未使用代码。

当前流程（main.py）

阶段 1: 说话人分离 (3D-Speaker)
  ↓
清理 CUDA 缓存
  ↓
阶段 2: ASR 识别 + 合并结果

清理内容

1. asr_service.py

删除的功能:

• ❌ use_3d_speaker 参数及相关逻辑（已在 main.py 中手动处理）
• ❌ _merge_diarization_segments() 方法（未使用）
• ❌ _map_asr_to_speaker() 方法（已在 main.py 中内联实现）

保留的功能:

• ✅ recognize() - 基础 ASR 识别
• ✅ _parse_result() - 解析识别结果
• ✅ export_to_json() / export_to_srt() - 导出功能

修改说明:

• ASR 识别结果中的默认说话人统一设为 speaker_0
• 不再在 ASR 服务内部调用 3D-Speaker

2. map_speaker.py

删除的功能:

• ❌ find_speaker() 函数（已在 main.py 中内联实现）
• ❌ main() 函数（过时的示例代码）

保留的功能:

• ✅ load_json() - 加载 JSON 文件
• ✅ save_json() - 保存 JSON 文件

3. example_usage.py

修改内容:

• 更新输出示例中的说话人格式：SPEAKER_00 → speaker_0
• 保持示例代码的参考价值

4. 删除的文件

• ❌ test_staged.py - 临时测试脚本
• ❌ test_model_load.py - 临时测试脚本

核心逻辑（main.py）

阶段 1: 说话人分离

diar_service = DiarizationService()
diar_service._load_model()

for video in videos:
    wav = extract_wav(video)
    segments = diar_service.diarize(wav)
    save_json(temp_file, {"segments": segments})

阶段 2: ASR 识别 + 合并

asr_service = ASRService()
asr_service._load_model()

for video in videos:
    asr_sentences = asr_service.recognize(wav)
    
    # 合并说话人（只使用 3D-Speaker 结果）
    for sentence in asr_sentences:
        matched_speaker = 查找最大重叠的说话人
        if matched_speaker:
            sentence.speaker = matched_speaker
        else:
            sentence.speaker = "speaker_0"
    
    export_to_json(output_file, asr_sentences)

优势

1. 逻辑清晰: 只在一个地方（main.py）处理说话人合并
2. 避免重复: 删除了多处重复的说话人对齐逻辑
3. 易于维护: 核心流程集中在 main.py，服务类只负责基础功能
4. 统一格式: 所有说话人标签统一为 speaker_0, speaker_1, ...

文件依赖关系

main.py
  ├── asr_service.py (基础 ASR 识别)
  ├── diarization_service.py (说话人分离)
  └── map_speaker.py (JSON 工具函数)

未清理的文件

• server.py - Web API 服务（独立功能）
• test_asr.py - 测试脚本（可保留）
• example_usage.py - 示例代码（已更新）