from PyAnnote.audio import Pipeline

def model_fn(model_dir):
# Load the model from the specified model directory
model = Pipeline.from_pretrained(
"PyAnnote/speaker-diarization-3.1",
use_auth_token="Replace-with-the-Hugging-face-auth-token")
return model

with open("model/code/requirements.txt", "w") as f:
    f.write("transformers==4.25.1n")
    f.write("boto3n")
    f.write("PyAnnote.audion")
    f.write("soundfilen")
    f.write("librosan")
    f.write("onnxruntimen")
    f.write("wgetn")
    f.write("pandas")

!tar zcvf model.tar.gz *

import sagemaker
import boto3

sess = sagemaker.Session()

sagemaker_session_bucket = None
if sagemaker_session_bucket is None and sess is not None:
    sagemaker_session_bucket = sess.default_bucket()

try:
    role = sagemaker.get_execution_role()
except ValueError:
    iam = boto3.client("iam")
    role = iam.get_role(RoleName="sagemaker_execution_role")["Role"]["Arn"]

sess = sagemaker.Session(default_bucket=sagemaker_session_bucket)

print(f"sagemaker role arn: {role}")
print(f"sagemaker bucket: {sess.default_bucket()}")
print(f"sagemaker session region: {sess.boto_region_name}")

s3_location = f"s3://{sagemaker_session_bucket}/whisper/model/model.tar.gz"
!aws s3 cp model.tar.gz $s3_location

from sagemaker.huggingface.model import HuggingFaceModel
from sagemaker.async_inference.async_inference_config import AsyncInferenceConfig
from sagemaker.s3 import s3_path_join
from sagemaker.utils import name_from_base

async_endpoint_name = name_from_base("custom-asyc")

# create Hugging Face Model Class
huggingface_model = HuggingFaceModel(
    model_data=s3_location,  # path to your model and script
    role=role,  # iam role with permissions to create an Endpoint
    transformers_version="4.17",  # transformers version used
    pytorch_version="1.10",  # pytorch version used
    py_version="py38",  # python version used
)

# create async endpoint configuration
async_config = AsyncInferenceConfig(
    output_path=s3_path_join(
        "s3://", sagemaker_session_bucket, "async_inference/output"
    ),  # Where our results will be stored
    # Add nofitication SNS if needed
    notification_config={
        # "SuccessTopic": "PUT YOUR SUCCESS SNS TOPIC ARN",
        # "ErrorTopic": "PUT YOUR ERROR SNS TOPIC ARN",
    },  #  Notification configuration
)

env = {"MODEL_SERVER_WORKERS": "2"}

# deploy the endpoint endpoint
async_predictor = huggingface_model.deploy(
    initial_instance_count=1,
    instance_type="ml.xx",
    async_inference_config=async_config,
    endpoint_name=async_endpoint_name,
    env=env,
)

# Replace with a path to audio object in S3
from sagemaker.async_inference import WaiterConfig
res = async_predictor.predict_async(data=data)
print(f"Response output path: {res.output_path}")
print("Start Polling to get response:")

config = WaiterConfig(
  max_attempts=10, #  number of attempts
  delay=10#  time in seconds to wait between attempts
  )
res.get_result(config)
#import waiterconfig

[0.9762308998, 8.9049235993, "SPEAKER_01"]

[9.533106961, 12.1646859083, "SPEAKER_01"]

[13.1324278438, 13.9303904924, "SPEAKER_00"]

[14.3548387097, 26.1884550085, "SPEAKER_00"]

[27.2410865874, 28.2258064516, "SPEAKER_01"]

[28.3446519525, 31.298811545, "SPEAKER_01"]

# Common class representing application autoscaling for SageMaker 
client = boto3.client('application-autoscaling') 

# This is the format in which application autoscaling references the endpoint
resource_id='endpoint/' + <endpoint_name> + '/variant/' + <'variant1'> 

# Define and register your endpoint variant
response = client.register_scalable_target(
    ServiceNamespace='sagemaker', 
    ResourceId=resource_id,
    ScalableDimension='sagemaker:variant:DesiredInstanceCount', # The number of EC2 instances for your Amazon SageMaker model endpoint variant.
    MinCapacity=0,
    MaxCapacity=5
)

ਜੇਕਰ ਤੁਸੀਂ ਅੰਤਮ ਬਿੰਦੂ ਨੂੰ ਮਿਟਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰੋ:

async_predictor.delete_endpoint(async_endpoint_name)

ਅਸਿੰਕ੍ਰੋਨਸ ਐਂਡਪੁਆਇੰਟ ਡਿਪਲਾਇਮੈਂਟ ਦੇ ਲਾਭ

ਇਹ ਹੱਲ ਹੇਠਾਂ ਦਿੱਤੇ ਲਾਭਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ:

• ਹੱਲ ਕੁਸ਼ਲਤਾ ਨਾਲ ਮਲਟੀਪਲ ਜਾਂ ਵੱਡੀ ਆਡੀਓ ਫਾਈਲਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ.
• ਇਹ ਉਦਾਹਰਨ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਇੱਕ ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਸੈਂਕੜੇ ਜਾਂ ਹਜ਼ਾਰਾਂ ਵੀਡੀਓਜ਼ ਲਈ ਇਸ ਹੱਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਕਈ ਵਾਰ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਇੱਕ ਅਸਿੰਕ੍ਰੋਨਸ ਐਂਡਪੁਆਇੰਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਆਟੋ ਸਕੇਲਿੰਗ ਨੀਤੀ, ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਸਰੋਤ ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਆਟੋ ਸਕੇਲਿੰਗ ਤੁਹਾਡੇ ਵਰਕਲੋਡ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਜਵਾਬ ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਲਈ ਪ੍ਰਬੰਧਿਤ ਉਦਾਹਰਨਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕਰਦੀ ਹੈ।
• ਹੱਲ ਸਰੋਤਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਚੱਲ ਰਹੇ ਕੰਮਾਂ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਇਨਫਰੈਂਸ ਤੋਂ ਵੱਖ ਕਰਕੇ ਸਿਸਟਮ ਲੋਡ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।

ਸਿੱਟਾ

ਇਸ ਪੋਸਟ ਵਿੱਚ, ਅਸੀਂ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੇਜਮੇਕਰ 'ਤੇ ਹੱਗਿੰਗ ਫੇਸ ਦੇ ਸਪੀਕਰ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਇੱਕ ਸਿੱਧੀ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕੀਤੀ ਹੈ। ਇੱਕ ਅਸਿੰਕ੍ਰੋਨਸ ਐਂਡਪੁਆਇੰਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਇੱਕ ਸੇਵਾ ਦੇ ਤੌਰ 'ਤੇ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਇੱਕ ਕੁਸ਼ਲ ਅਤੇ ਮਾਪਯੋਗ ਸਾਧਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਸਮਕਾਲੀ ਬੇਨਤੀਆਂ ਨੂੰ ਸਹਿਜੇ ਹੀ ਅਨੁਕੂਲਿਤ ਕਰਦਾ ਹੈ।

ਆਪਣੇ ਆਡੀਓ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਅਸਿੰਕ੍ਰੋਨਸ ਸਪੀਕਰ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ ਦੇ ਨਾਲ ਅੱਜ ਹੀ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਸੰਪਰਕ ਕਰੋ ਜੇਕਰ ਤੁਹਾਡੇ ਆਪਣੇ ਅਸਿੰਕ੍ਰੋਨਸ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ ਐਂਡਪੁਆਇੰਟ ਨੂੰ ਚਾਲੂ ਕਰਨ ਅਤੇ ਚਲਾਉਣ ਬਾਰੇ ਕੋਈ ਸਵਾਲ ਹਨ।

ਲੇਖਕਾਂ ਬਾਰੇ

ਸੰਜੇ ਤਿਵਾਰੀ ਇੱਕ ਸਪੈਸ਼ਲਿਸਟ ਸੋਲਿਊਸ਼ਨ ਆਰਕੀਟੈਕਟ AI/ML ਹੈ ਜੋ ਵਪਾਰਕ ਲੋੜਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ, ਖਾਸ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ L300 ਸੈਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਨ, ਅਤੇ AI/ML ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਲਈ ਰਣਨੀਤਕ ਗਾਹਕਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਵਿੱਚ ਆਪਣਾ ਸਮਾਂ ਬਿਤਾਉਂਦਾ ਹੈ ਜੋ ਸਕੇਲੇਬਲ, ਭਰੋਸੇਮੰਦ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨਕਾਰੀ ਹਨ। ਉਸਨੇ AI/ML ਦੁਆਰਾ ਸੰਚਾਲਿਤ Amazon SageMaker ਸੇਵਾ ਨੂੰ ਲਾਂਚ ਕਰਨ ਅਤੇ ਸਕੇਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਹੈ ਅਤੇ Amazon AI ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਕਲਪ ਦੇ ਕਈ ਸਬੂਤ ਲਾਗੂ ਕੀਤੇ ਹਨ। ਉਸਨੇ ਡਿਜੀਟਲ ਪਰਿਵਰਤਨ ਯਾਤਰਾ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਉੱਨਤ ਵਿਸ਼ਲੇਸ਼ਣ ਪਲੇਟਫਾਰਮ ਵੀ ਵਿਕਸਤ ਕੀਤਾ ਹੈ।

ਕਿਰਨ ਛੱਲਾਪੱਲੀ AWS ਜਨਤਕ ਖੇਤਰ ਦੇ ਨਾਲ ਇੱਕ ਡੂੰਘੀ ਤਕਨੀਕੀ ਕਾਰੋਬਾਰੀ ਵਿਕਾਸਕਾਰ ਹੈ। ਉਸ ਕੋਲ AI/ML ਵਿੱਚ 8 ਸਾਲਾਂ ਤੋਂ ਵੱਧ ਦਾ ਤਜਰਬਾ ਹੈ ਅਤੇ ਸਮੁੱਚੇ ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਅਤੇ ਵਿਕਰੀ ਦਾ 23 ਸਾਲਾਂ ਦਾ ਤਜਰਬਾ ਹੈ। ਕਿਰਨ ਪੂਰੇ ਭਾਰਤ ਵਿੱਚ ਜਨਤਕ ਖੇਤਰ ਦੇ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਕਲਾਉਡ-ਆਧਾਰਿਤ ਹੱਲਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਅਤੇ ਸਹਿ-ਰਚਨਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਜੋ ਕਿ AI, ML, ਅਤੇ ਜਨਰੇਟਿਵ AI—ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਸਮੇਤ—ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।