/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
pytorch
Опубликована
6 июл 2026

DiariZen

Поиск речи в аудиоАудио → label5 профессий

DiariZen сегментирует аудиозапись по активности говорящих и предназначена для развёртывания на AX650 с гибридной обработкой на NPU и CPU.

13скачиваний за 30 дней1лайквеса обновлены6 июл 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

DiariZen — модель сегментации активности говорящих для развёртывания на устройстве AX650, подготовленная AXERA-TECH на основе BUT-FIT/diarizen-wavlm-large-s80-md. Она сочетает обрезанный WavLM-Large и Conformer и размечает аудио по кадрам на 11 классов активности говорящих. На вход подаётся монофоническое аудио 16 кГц; обработка разделена между AX650 NPU и CPU с ONNX Runtime: на NPU выполняется свёрточный извлекатель признаков, а трансформерная часть, Conformer и классификатор — на CPU.

Модель обрабатывает окна длиной 4 секунды; для более длинных записей требуется скользящее окно и объединение сегментов. По данным карточки, гибридный конвейер достигает 14,9-кратной скорости реального времени на указанной конфигурации AX650. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Сценарии применения

  • разметка активности говорящих в аудиозаписях
  • сегментация речи по говорящим для последующей диаризации
  • подготовка временных меток говорящих в записях встреч
  • обработка аудио на устройстве AX650 с ускорением NPU

Ограничения

Модель рассчитана на окна фиксированной длины 4 секунды; для длинных записей нужно скользящее окно с последующим объединением сегментов. Извлекатель признаков требует U16-квантизации для сохранения точности, а трансформер, Conformer и классификатор выполняются на CPU.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DiariZen Speaker Segmentation - AX650 Deployment

CPU+NPU hybrid speaker diarization segmentation for AX650 NPU.

Model

Pipeline

Audio (16kHz mono, any length)
  → CPU: resample → 4s sliding window → LayerNorm
  → AX650 NPU: CNN feature extractor (7 conv, U16, 17.7ms)
  → CPU: WavLM Transformer (24L) + Conformer (4L) + Classifier (251ms)
  → Log-probabilities (1, 199, 11) per window

Performance

StageTimeHardware
CNN17.7 msAX650 NPU @1GHz
Backend251 msCPU ONNX Runtime
Total269 ms14.9x real-time

Accuracy

End-to-end cosine: 0.9997 vs full FP32 reference.

Directory

models/          cnn_features.axmodel + backend.onnx
python/          Python SDK (diarizen_sdk)
cpp/             C++ SDK (diarizen_segmenter)
model_convert/   ONNX export + Pulsar2 compile config
reports/         SDK and simulation reports

Quick Start

pip install -r python/requirements.txt
python python/diarizen_sdk/example.py audio.wav \
  --cnn-model models/cnn_features.axmodel \
  --backend-model models/backend.onnx

Known Limitations

  • 4s fixed window; longer audio requires sliding window stitching.
  • CNN requires U16 quantization (U8 insufficient accuracy).
  • Transformer + Conformer run on CPU (NPU backend limitation with WavLM attention ops).
  • pos_conv_embed Conv (kernel=128, NLC layout) incompatible with NPU; included in CPU backend.

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
4067c93

0 моделей