/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Библиотека
pytorch
Опубликована
2 авг 2026

molmo-audio-slap-diar

Поиск речи в аудиоАудио → label

Blaster определяет активность до четырёх говорящих по кадрам аудиозаписи и формирует дорожки для последующей диаризации.

0скачиваний за 30 дней0лайковвеса обновлены11 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Blaster — модель покадровой диаризации речи для определения активности нескольких говорящих. Она выдаёт отдельные временные дорожки в порядке появления говорящих и рассчитана на последующую сборку сегментов с идентификаторами говорящих. Модель использует PyTorch-архитектуру DiarEncoder с четырьмя дополнительными блоками и ветвью DiarBranch; выход содержит покадровые оценки активности до четырёх говорящих с частотой около 25 Гц. ASR-тракт остаётся замороженным, чтобы сохранять качество распознавания речи базового Stage A.

На контрольном наборе смесей речи указана DER около 18% при целевом пороге 15%; модель прошла этап проверки, несмотря на превышение порога. По README, диаризация в реальном времени ухудшала атрибуцию речи примерно на 4 процентных пункта относительно эталонных маркеров. Репозиторий содержит PyTorch-чекпойнт; лицензия — CC BY-NC-SA 4.0, которая требует атрибуции и ограничивает коммерческое использование.

Сценарии применения

  • определение моментов речи каждого участника разговора
  • разделение многоголосой записи на дорожки говорящих
  • подготовка покадровой активности говорящих для сборки сегментов диаризации

Ограничения

Модель поддерживает не более четырёх говорящих. На контрольных смесях DER составляет около 18%, что выше заявленного порога 15%; диаризация в реальном времени снижала точность атрибуции примерно на 4 процентных пункта относительно эталонных маркеров.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Blaster — SLAP diarization head

Private frame-level multi-speaker activity model. Emits arrival-ordered tracks so Stage C can build:

<soa> <spk1> [frames…] <spk2> [frames…] <eoa>

Hub metadata (correct typing)

FieldValueWhy
pipeline_tagvoice-activity-detectionClosest Hub tag: per-frame speech activity over ≤4 speakers (not single-label audio-classification)
library_namepytorchRaw encoder.pt — custom DiarEncoder, not Transformers
Tagsspeaker-diarizationFull diarization (segments + speaker ids) is built in diar_segments

There is no first-class Hub speaker-diarization pipeline tag; do not use audio-classification (implies a single clip-level class).

Files

FileRole
encoder.ptCanonical checkpoint for serve (MOLMO_DIAR_CHECKPOINT) — arrival phase ~step 28k
encoder_fork4_arrival_28k.ptNamed copy of the arrival checkpoint
encoder_fork4_pit.ptPIT separation phase backup

Architecture

  • DiarEncoder(fork_blocks=4) — trainable copy of Stage A’s lower blocks + DiarBranch transformer
  • ASR trunk path stays frozen (WER preserved from Stage A)
  • Output: per-frame logits over ≤4 speakers @ ~25 Hz; segments via diar_segments.segments_from_logits

Gate B (held-out mixtures)

NIST-collar DER ~18% (stated gate was 15%; accepted to proceed). Live diar costs ~4 pp on Gate D spoken attribution vs oracle markers.

Serve

export MOLMO_DIAR_CHECKPOINT=/path/to/encoder.pt
# or compose: DIAR_MODEL_DIR pointing at this repo root

Aux worker: AudioEmbeddingProcessor → process_diarized → {embeds, speakers, spk_lens}.

Load

from diar_infer import DiarEncoder
import torch
m = DiarEncoder(fork_blocks=4)
state = torch.load("encoder.pt", map_location="cpu", weights_only=False)
m.load_state_dict(state["model"], strict=True)

Related

License

CC BY-NC-SA 4.0 (Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International).

Marketing name: Blaster. Technical Hub id remains molmo-audio-*.

  • Attribution required.
  • NonCommercial — no commercial use of these weights without a separate grant.
  • ShareAlike — adaptations must use the same license.

Base backbone allenai/Molmo-7B-D-0924 remains Apache-2.0. Training mixes that include People’s Speech / Dolly are themselves under CC-BY-SA; this weight license is intentionally more restrictive (adds NC). See project README_TRAINING.md licensing summary.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Ревизия весов
f399e3d

0 моделей