/ Модель

Характеристики

Параметры
905 млн
Лицензия
CC BY 4.0
Архитектура
DiCoW · dense
Библиотека
transformers
Опубликована
19 июн 2025

DiCoW_v3_MLC

Распознавание речиАудио → текст4 профессии

Многоязычная модель распознавания речи на базе Whisper, использующая информацию о говорящих для расшифровки разговоров и встреч.

872скачиваний за 30 дней11лайковвеса обновлены2 сен 2025

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_MLC — модель распознавания речи с учётом диаризации, разработанная командой BUT Speech@FIT Брненского технического университета для соревнования MLC-SLM. Она объединяет Whisper large-v3-turbo с подходом DiCoW: результаты определения говорящих используются как дополнительное условие, чтобы распознавать речь выбранного участника разговора. Модель содержит 905,2 млн параметров и предназначена для расшифровки многоязычных разговоров и встреч; основное внимание уделено английскому языку.

Модель дообучена на данных MLC-SLM после обучения на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix. Для работы с реальными записями ей нужны результаты диаризации; качество распознавания зависит от их точности. В README приведены результаты на наборе разработки MLC-SLM, но они охватывают английские варианты и не гарантируют аналогичное качество для всех поддерживаемых языков. Лицензия репозитория — CC BY 4.0; README также упоминает базовую модель с лицензией MIT и обучающие данные под CC BY 4.0.

Сценарии применения

  • расшифровка встреч с разделением речи по говорящим
  • распознавание реплик выбранного участника разговора
  • транскрибация многоязычных разговорных записей
  • обработка записей встреч с входными данными диаризации

Ограничения

Для целевого распознавания речи требуется информация о диаризации, а ошибки определения говорящих могут ухудшить транскрипцию. В README приведены результаты для английских вариантов речи; качество для других языков не охарактеризовано.

Для каких профессий подходит4

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_MLC — BUT-FIT Model for MLC-SLM Challenge

This repository contains the DiCoW_v3_MLC model developed by BUT Speech@FIT for the MLC-SLM Challenge. Diarization-Conditioned Whisper (DiCoW) is a novel approach to target-speaker ASR that leverages speaker diarization outputs as conditioning information.

This model is available under the terms of CC BY 4.0. It incorporates an MIT-licensed base model and CC BY 4.0 licensed training data.

The model is described in detail in the following papers:

Model Summary

The model is based on Whisper large-v3-turbo, initially trained on:

  • NOTSOFAR-1
  • AMI Meeting Corpus
  • Libri2Mix dataset

It is then fine-tuned on the MLC-SLM dataset as part of the MLC-SLM Challenge.

Model Details

  • Developed by: BUT Speech@FIT, Brno University of Technology
  • Model type: Whisper large-v3-turbo + DiCoW composition
  • Language(s): Multilingual (primarily English, but supports multiple languages)
  • License: apache-2.0
  • Fine-tuned from: openai/whisper-large-v3-turbo
  • Challenge: MLC-SLM (Multilingual Conversational Speech Language Model)

Model Sources

Getting Started

from transformers import AutoModelForSpeechSeq2Seq

MODEL_NAME = "BUT-FIT/DiCoW_v3_MLC"
dicow = AutoModelForSpeechSeq2Seq.from_pretrained(MODEL_NAME, trust_remote_code=True)

For detailed inference and full pipelines, refer to: 👉 DiCoW GitHub inference repo

tcpWER/CER (%) on the MLC-SLM development set

LanguageBaseline (GT)DiCoW (GT)FT (GT)Baseline (Real diar)DiCoW (Real diar)FT (Real diar)
American En.14.120.611.153.736.522.5
Australian En.11.719.47.452.623.613.0
British En.10.116.77.771.926.117.6
Filipino En.9.217.77.550.425.515.2
Indian En.14.014.313.370.714.914.0
French28.127.716.196.037.827.5
German20.721.223.986.730.127.3
Italian17.916.212.383.319.816.4
Japanese (*)21.619.213.771.325.823.3
Korean (*)13.812.88.559.624.522.8
Portuguese21.224.519.5118.833.129.7
Russian17.717.611.669.222.516.7
Spanish12.311.68.775.618.216.3
Thai (*)14.531.914.283.634.420.1
Vietnamese27.230.015.382.833.824.7
Overall16.822.012.976.128.420.8

Results marked with an asterisk () are reported using tcpCER, following the official evaluation protocol.*

Notes:

  • GT = Ground-Truth Segmentation
  • Real diar = Real Diarization
  • Baseline uses Whisper large-v3 with chunked inference + finetunned Pyannote diarization.
  • DiCoW uses fine-tuned DiariZen diarization.

Citation

If you use this model, please cite:

@article{POLOK2026101841,
    title = {DiCoW: Diarization-conditioned Whisper for target speaker automatic speech recognition},
    journal = {Computer Speech & Language},
    volume = {95},
    pages = {101841},
    year = {2026},
    issn = {0885-2308},
    doi = {https://doi.org/10.1016/j.csl.2025.101841},
    url = {https://www.sciencedirect.com/science/article/pii/S088523082500066X},
    author = {Alexander Polok and Dominik Klement and Martin Kocour and Jiangyu Han and Federico Landini and Bolaji Yusuf and Matthew Wiesner and Sanjeev Khudanpur and Jan Černocký and Lukáš Burget},
    keywords = {Diarization-conditioned Whisper, Target-speaker ASR, Speaker diarization, Long-form ASR, Whisper adaptation},
}

@INPROCEEDINGS{10887683,
    author={Polok, Alexander and Klement, Dominik and Wiesner, Matthew and Khudanpur, Sanjeev and Černocký, Jan and Burget, Lukáš},
    booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
    title={Target Speaker ASR with Whisper}, 
    year={2025},
    volume={},
    number={},
    pages={1-5},
    keywords={Transforms;Signal processing;Transformers;Acoustics;Speech processing;target-speaker ASR;diarization conditioning;multi-speaker ASR;Whisper},
    doi={10.1109/ICASSP49660.2025.10887683}
}

@misc{polok2025mlcslmchallenge,
    title={BUT System for the MLC-SLM Challenge}, 
    author={Alexander Polok and Jiangyu Han and Dominik Klement and Samuele Cornell and Jan Černocký and Lukáš Burget},
    year={2025},
    eprint={2506.13414},
    archivePrefix={arXiv},
    primaryClass={eess.AS},
    url={https://arxiv.org/abs/2506.13414}, 
}

Contact

For questions or collaborations, feel free to email: ipoloka@fit.vut.cz
BUT Speech@FIT, Brno University of Technology
GitHub: BUTSpeechFIT

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
99c64e8

0 моделей