/ Модель

Характеристики

Размер весов
9,4 ГБ
Лицензия
Apache 2.0
Архитектура
voxtral · dense
Базовая модель
Voxtral-Mini-3B-2507
Библиотека
transformers
Опубликована
3 июн 2026

Dixtral

Распознавание речиАудио → текст6 профессий

Dixtral распознаёт речь выбранного говорящего в многоголосых аудиозаписях, включая разговоры и совещания.

49скачиваний за 30 дней0лайковвеса обновлены9 июн 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Dixtral — модель распознавания речи, разработанная группой BUT Speech@FIT Брненского технического университета. Она сочетает речевую модель Voxtral-Mini-3B-2507 с энкодером DiCoW v3 large, учитывающим информацию о диаризации, чтобы распознавать речь целевого говорящего в многоголосых записях.

Модель предназначена для транскрибации разговоров и записей совещаний с несколькими участниками. Для ответов на вопросы по аудио разработчики рекомендуют отдельную модель Dixtral_QA. Модель дообучена на NOTSOFAR-1, AMI Meeting Corpus и LibriMix/LibriSpeechMix; опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация речи выбранного участника разговора
  • распознавание речи нескольких говорящих в записи встречи
  • подготовка стенограммы совещания с фокусом на целевом говорящем

Ограничения

Предназначена для транскрибации речи выбранного говорящего; для вопросов и ответов по аудио авторы рекомендуют Dixtral_QA. В README не описаны поддерживаемые языки и максимальная длина аудио.

Для каких профессий подходит6

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

🧠 Dixtral — BUT-FIT Diarization-Conditioned Voxtral for Target-Speaker ASR

This repository hosts Dixtral, developed by BUT Speech@FIT. Dixtral couples the Voxtral-Mini-3B spoken-language model with the DiCoW diarization-conditioned encoder, giving the LLM target-speaker awareness in multi-talker audio.

This checkpoint is tuned for target-speaker / multi-talker transcription (TS-ASR) of conversational and meeting recordings. For spoken question answering, use Dixtral_QA instead.

🛠️ Model Usage

from transformers import AutoModel, AutoProcessor

MODEL_NAME = "BUT-FIT/Dixtral"
model = AutoModel.from_pretrained(MODEL_NAME, trust_remote_code=True)
processor = AutoProcessor.from_pretrained(MODEL_NAME)

➡️ For full inference pipelines (diarization → FDDT masks → generation), see the Dixtral GitHub repository.


📦 Model Details


📬 Contact

📧 Email: ipoloka@fit.vut.cz 🏢 Affiliation: 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

Можно запустить

Подбираем GPU…

Класс архитектуры
DixtralForConditionalGeneration
Ревизия весов
88245e4

0 моделей