/ Модель

Характеристики

Параметры
905 млн
Размер весов
6,5 ГБ
Лицензия
CC BY 4.0
Архитектура
DiCoW · dense
Базовая модель
whisper-large-v3
Библиотека
transformers
Опубликована
9 июн 2026

DiCoW_v3_3_large

Распознавание речиАудио → текст3 профессии

DiCoW v3.3 large распознаёт речь выбранного участника в многоголосых аудиозаписях с учётом результатов диаризации.

227скачиваний за 30 дней3лайкавеса обновлены18 июн 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

DiCoW v3.3 large — модель распознавания речи целевого говорящего, разработанная командой BUT Speech@FIT. Она транскрибирует речь выбранного участника в аудиозаписи с несколькими говорящими, используя результаты диаризации для настройки распознавания. Модель дообучена на базе Whisper large-v3 и содержит слои FDDT, которые преобразуют сигналы диаризации на уровне кадров; размер модели — 905,2 млн параметров.

Модель рассчитана на аудио со смешанной речью, например записи встреч и разговоров. Вход включает 30-секундный аудиофрагмент и четырёхканальную STNO-маску; маску и диаризацию можно подготовить через демонстрационное приложение DiCoW inference. Модель обучалась на AMI, NOTSOFAR-1, LibriMix и синтетических смесях LibriSpeech. Карточка сообщает о снижении tcpWER примерно на 50% относительно DiCoW v1 на Libri3Mix.

Качество распознавания зависит от точности диаризации. При полном перекрытии речи более чем двух говорящих модель может хуже отделять целевого участника. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • транскрибация речи выбранного участника встречи
  • распознавание целевого говорящего в смеси голосов
  • получение расшифровки речи при перекрытии реплик
  • транскрибация многоголосых разговоров с предварительной диаризацией

Ограничения

Качество зависит от точности входной диаризации. При полном перекрытии речи более двух говорящих модель может испытывать трудности с выделением целевого участника.

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

🧠 DiCoW v3.3_large — Target-Speaker ASR

This repository hosts DiCoW v3.3, a Target-Speaker ASR (TS-ASR) model developed by BUT Speech@FIT. It is designed to transcribe the speech of a specific speaker within a multi-talker mixture by conditioning on speaker diarization outputs.

This model version incorporates the refinements and training strategies described in the paper SE-DiCoW: Self-Enrolled Diarization-Conditioned Whisper.

🔧 What's New in v3.3?

This version represents a significant stabilization and enhancement over the original DiCoW (v1):

  • ⚡ Improved Conditioning: Introduces FDDT (Frame-Level Diarization Dependent Transformation) layers before positional embeddings for better signal modulation.
  • 📉 Reduced Error: achieved ~50% relative reduction in tcpWER on Libri3Mix compared to v1.
  • 🛠️ Training Stability: Uses less suppressive initialization and flexible data segmentation (no forced end-timestamps).
  • 🔄 Robustness: Trained with STNO noise injection and SpecAugment to handle imperfect diarization.

⚡ Quick Usage

1. Run Interactive Demo (Gradio)

The easiest way to use this model is via the DiCoW inference repository. We provide a Gradio app that handles diarization and STNO mask generation automatically:

python app.py

2. Load in Python

If you want to download and load the model manually for your own scripts:

from transformers import AutoModelForSpeechSeq2Seq

# Load the model (requires remote code for custom FDDT layers)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    "BUT-FIT/DiCoW_v3_3", 
    trust_remote_code=True
)

# Note: The model expects specific STNO conditioning inputs. 
# See inference.py in the GitHub repo for the full pipeline.

🧬 Want to build your own DiCoW?

It's all yours with just two commands! This model is fully open-source and reproducible using our toolkit.

1. Data Preparation Clone the mt-asr-data-prep repository and run the setup script to generate the required manifests:

./prepare.sh --single-mic-only --root-dir /path/to/workdir

2. Training Clone the training repository TS-ASR-Whisper and launch the experiment using the pre-configured dicow_v3 recipe:

sbatch --export SRC_ROOT=$PWD scripts/submit_slurm.sh +train=dicow_v3

⚙️ Model Details

  • Base Architecture: Whisper large-v3
  • Conditioning: Frame-Level Diarization-Dependent Transformations (FDDT)
  • Input: 30s Audio + 4-channel STNO Mask
  • Training Data: AMI, NOTSOFAR-1, LibriMix (2/3 spk), Synthetic LibriSpeech Mixtures.

⚠️ Limitations

  • Diarization Dependent: Performance is heavily dependent on the quality of the input diarization.
  • Ambiguity: In scenarios with >2 fully overlapping speakers, the model may struggle to distinguish the target (addressed in the SE-DiCoW model).

📚 Citations

If you use this model, please cite the following papers:

@article{polok2026sedicow,
  title={SE-DiCoW: Self-Enrolled Diarization-Conditioned Whisper},
  author={Alexander Polok and Dominik Klement and Samuele Cornell and Matthew Wiesner and Jan Černocký and Sanjeev Khudanpur and Lukáš Burget},
  journal={arXiv preprint arXiv:2601.19194},
  year={2026}
}

@article{POLOK2026101841,
    title = {DiCoW: Diarization-conditioned Whisper for target speaker automatic speech recognition},
    journal = {Computer Speech & Language},
    volume = {95},
    year = {2026},
    doi = {10.1016/j.csl.2025.101841},
    author = {Alexander Polok et al.}
}

@INPROCEEDINGS{10887683,
    title={Target Speaker ASR with Whisper}, 
    author={Polok, Alexander et al.},
    booktitle={ICASSP 2025}, 
    year={2025},
    doi={10.1109/ICASSP49660.2025.10887683}
}

📬 Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DiCoWForConditionalGeneration
Ревизия весов
e419869

0 моделей