/ Модель

Характеристики

Размер весов
71,4 МБ
Лицензия
Apache 2.0
Опубликована
3 сен 2026

persona-speaker-vector-onnx

Классификация аудиоАудио → label3 профессии

ONNX-модель ERes2NetV2 преобразует акустические признаки речи в 192-мерные эмбеддинги для сравнения и верификации говорящих.

16скачиваний за 30 дней0лайковвеса обновлены4 сен 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

AlphaAvatar Persona Speaker Vector — модель для получения вектора признаков голоса, используемая плагином AlphaAvatar Persona. Это ERes2NetV2 в формате ONNX, побайтная копия артефакта из репозитория AlphaAvatar; README указывает, что веса происходят от ModelScope iic/speech_eres2netv2_sv_zh-cn_16k-common. Модель принимает последовательность 80-мерных Kaldi filterbank-признаков и выдаёт 192-мерный вектор говорящего.

Для работы нужны монофонические аудиоданные с частотой 16 кГц и предварительная обработка: log-mel filterbank из 80 полос, без dithering, с нормализацией среднего по времени. Вектор модели сам по себе не L2-нормализован; перед вычислением косинусного сходства его нужно нормализовать. AlphaAvatar использует окна длительностью 3 секунды с шагом 1 секунда. Артефакт проверен с ONNX Runtime на CPU для нескольких размеров пакета и длины последовательностей.

Модель подходит для построения эмбеддингов и сравнения голосов, включая проверку совпадения говорящего. README отмечает порог same/different 0,360 в конфигурации исходной модели, но AlphaAvatar применяет собственный порог сопоставления. Применяется лицензия Apache 2.0. Код экспортировавшего модель и скрипт экспорта не установлены; подтверждена идентичность ONNX-артефакта и отдельных тензоров исходному чекпойнту.

Сценарии применения

  • получение эмбеддинга голоса из речевого фрагмента
  • сравнение голосов по косинусному сходству
  • проверка, говорит ли один и тот же человек в двух записях
  • построение векторного индекса голосов для приложения AlphaAvatar

Ограничения

Модель принимает подготовленные 80-мерные filterbank-признаки, а не сырой звук; выходной вектор нужно L2-нормализовать перед сравнением. Синтетический пример из репозитория проверяет только формат ввода-вывода и детерминизм, а не качество на речи.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AlphaAvatar Persona - Speaker Vector (ERes2NetV2, ONNX)

Speaker-embedding model used by the AlphaAvatar Persona plugin (alphaavatar.persona.speaker.vector). It maps an 80-bin Kaldi filterbank sequence to a 192-dimensional speaker embedding.

This repository replaces the branch-based storage in AlphaAvatar/plugins-persona (branch speaker_vector_onnx), which is now legacy.

Artifact

Filemodel.onnx
SHA256a8614dde1e71f5091ce35e031de672d4d87fe1dd839ffe968867febec67e8123
Size68.1 MiB
ONNX IR / opset6 / 11
Exported bypytorch 2.4.1
Parameters (post-fold)17,838,280

model.onnx is a byte-identical copy of eres2netv2.onnx from AlphaAvatar/plugins-persona at commit 8bb7633a3c0116ca68b0de476c65285c7820a1dd (branch speaker_vector_onnx). Only the file name changed. The SHA256 above equals the Git-LFS object id recorded on that branch, so the claim is checkable without downloading both copies. No conversion, re-export or re-quantization was performed.

Provenance (verified, not assumed)

Upstream: ModelScope iic/speech_eres2netv2_sv_zh-cn_16k-common (pretrained_eres2netv2.ckpt, SHA256 0eb4057106b2573dd7b132cf0c36273ab29afd192c1610f80baa9c556dbb963c), declared Apache License 2.0 in its model card.

Three ONNX initializers survive export without name mangling. All three are bit-identical to the same-named tensors in that checkpoint:

tensorshapebit-identical
layer3_ds.weight[1024, 512, 3, 3]yes
seg_1.weight[192, 20480] (3,932,160 values)yes
seg_1.bias[192]yes

The other 178 initializers are named onnx::Conv_* because Conv+BatchNorm were folded at export time, so they cannot be value-matched against raw checkpoint tensors. Parameter counts agree once folding is accounted for: checkpoint 17,896,745 vs ONNX 17,838,280 (difference 58,465 = folded BatchNorm buffers).

Not established: who ran the export, and with what script. The legacy repository contains no export script and the ONNX carries no metadata_props. Recorded as unknown in model_manifest.json rather than guessed.

Input / output

input   feature    float32  [batch_size, frame_num, 80]
output  embedding  float32  [batch_size, 192]

Verified with onnxruntime 1.29.0 on CPUExecutionProvider: batch 1 and 2, frame counts 100 / 298 / 500, deterministic across repeated runs.

Preprocessing

16 kHz mono. Kaldi-style log-mel filterbank, 80 bins, dither 0.0, then per-dimension mean normalisation over time:

from torchaudio.compliance import kaldi as Kaldi
feat = Kaldi.fbank(wav, num_mel_bins=80, sample_frequency=16000, dither=0.0)
feat = feat - feat.mean(0, keepdim=True)      # [T, 80]
feat = feat.unsqueeze(0)                       # [1, T, 80]

AlphaAvatar drives this over a 3.0 s window with a 1.0 s hop (window_size_samples=48000, step_size_samples=16000).

Postprocessing

The graph output is not L2-normalised (measured L2 norm 125.49 on the example below). Normalise before computing cosine similarity:

emb = emb / np.linalg.norm(emb, axis=-1, keepdims=True)
score = float(a @ b.T)

The upstream ModelScope configuration.json records a same/different decision threshold of 0.360. AlphaAvatar applies its own SPEAKER_MATCH_THRESHOLD, which lives in the AlphaAvatar repository and is not part of this artifact.

Examples

examples/input.json describes a deterministic synthetic input (exact numpy recipe plus the SHA256 of the raw float32 bytes) and examples/output.json holds the resulting 192-d embedding. The input is synthetic noise, not speech: it pins the IO contract and numerical determinism, not acoustic behaviour.

Repository files

filepurpose
model.onnxthe model (byte-identical to the legacy branch artifact)
model_manifest.jsonauthoritative manifest: provenance, verified pre/postprocessing, known issues
config.jsonminimal ONNX descriptor; also the Hub's download-count query file. Not a transformers config — it deliberately carries no model_type/architectures
examples/a deterministic input and the exact outputs it produces
checksums.sha256covers every file above

Licence

Apache-2.0, inherited from the verified upstream. See LICENSE and NOTICE.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
62a02e9

0 моделей