/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
DiCoW · dense
Библиотека
transformers
Опубликована
2 сен 2025

SE_DiCoW

Распознавание речиАудио → текст3 профессии

SE-DiCoW на базе Whisper large-v3-turbo распознаёт речь выбранного говорящего в многоголосых и перекрывающихся аудиозаписях.

73скачиваний за 30 дней5лайковвеса обновлены18 фев 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

SE-DiCoW — модель распознавания речи для извлечения реплик выбранного говорящего из разговоров с несколькими собеседниками, разработанная группой BUT Speech@FIT совместно с JHU CLSP/HLTCOE и CMU LTI. Это версия на базе Whisper large-v3-turbo с архитектурой DiCoW; метод self-enrollment автоматически выбирает информативный фрагмент речи целевого говорящего и использует его через cross-attention на слоях энкодера.

Модель предназначена для транскрибирования речи выбранного участника при перекрывающихся репликах, например в совещаниях и смесях нескольких голосов. В карточке заявлено снижение tcpWER на 49,7% относительно исходной DiCoW на бенчмарке EMMA MT-ASR и особенно заметный выигрыш на сильно перекрывающейся речи Libri3Mix. Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст; поддерживает многоязычное распознавание.

Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README предупреждает, что это более старая версия; рекомендуется использовать обновлённую версию, совместимую с кодом обучения и инференса.

Сценарии применения

  • транскрибирование реплик выбранного участника совещания
  • распознавание речи целевого говорящего при одновременной речи собеседников
  • извлечение речи одного участника из многоголосой записи
  • транскрибирование синтетических смесей нескольких голосов
  • распознавание целевого говорящего в многоязычных аудиозаписях

Ограничения

README обозначает эту публикацию как устаревшую версию и рекомендует обновлённую версию для совместимости с кодом обучения и инференса. Языки отдельно не перечислены; качество вне описанных бенчмарков не установлено.

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

Warning: This is an older version of the SE-DiCoW model, please use https://huggingface.co/BUT-FIT/SE-DiCoW, which is compatible with training and inference code.

🧠 SE-DiCoW — Self-Enrolled Diarization-Conditioned Whisper

This repository hosts the SE-DiCoW model developed by BUT Speech@FIT, in collaboration with JHU CLSP/HLTCOE and CMU LTI, tailored for target-speaker multi-talker automatic speech recognition (TS-ASR).

🔧 Key Innovations

  • Self-Enrollment (SE):
    Automatically selects the most informative segment of the target speaker within a conversation and integrates it via cross-attention at each encoder layer.
  • Improved Initialization & Segmentation:
    Refined FDDT initialization and corrected data segmentation for more stable training.
  • Augmentations:
    • Gaussian noise injection to STNO masks
    • Segment-wise flipping of dominant STNO classes
    • Joint SpecAugment on input + STNO
    • MUSAN noise mixing

➡️ Together, these yield 49.7% tcpWER reduction over the original DiCoW on the EMMA MT-ASR benchmark, with over 70% gains on heavily overlapped Libri3Mix.

SE-DiCoW Architecture

🛠️ Model Usage

from transformers import AutoModelForSpeechSeq2Seq

MODEL_NAME = "BUT-FIT/SE_DiCoW"
model = AutoModelForSpeechSeq2Seq.from_pretrained(MODEL_NAME, trust_remote_code=True)

➡️ Training and inference pipelines:


🏆 Performance

Benchmark: EMMA MT-ASR (multi-domain, multi-talker)

  • SE-DiCoW outperforms DiCoW and DiCoW v3.2 under both oracle and real diarization, particularly in highly overlapped conditions (Libri3Mix).
  • Achieves state-of-the-art or comparable performance to domain-tuned systems on AMI, NOTSOFAR-1, and synthetic LibriMix mixtures.

🔗 EMMA-MT ASR Leaderboard


📦 Model Details


🧬 Source Repositories


📚 Related Publications

  • 📰 ICASSP 2026: SE-DiCoW: Self-Enrolled Diarization-Conditioned Whisper [IEEE ICASSP 2026]

  • 📰 Journal Paper (CSL 2026): DiCoW: Diarization-Conditioned Whisper for Target Speaker ASR Computer Speech & Language, 2026

  • 📰 ICASSP 2025: Target Speaker ASR with Whisper IEEE ICASSP 2025


📝 Citation

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

@INPROCEEDINGS{polok2026sedicow,
  author={Polok, Alexander and Klement, Dominik and Cornell, Samuele and Wiesner, Matthew and Černocký, Jan and Khudanpur, Sanjeev and Burget, Lukáš},
  booktitle={ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
  title={SE-DiCoW: Self-Enrolled Diarization-Conditioned Whisper}, 
  year={2026},
  pages={1-5},
}

@article{POLOK2026101841,
    title = {DiCoW: Diarization-conditioned Whisper for target speaker automatic speech recognition},
    journal = {Computer Speech & Language},
    volume = {95},
    pages = {101841},
    year = {2026},
    doi = {https://doi.org/10.1016/j.csl.2025.101841},
    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},
}

@INPROCEEDINGS{10887683,
  author={Polok, Alexander and Klement, Dominik and Wiesner, Matthew and Khudanpur, Sanjeev and Černocký, Jan and Burget, Lukáš},
  booktitle={ICASSP 2025}, 
  title={Target Speaker ASR with Whisper}, 
  year={2025},
  doi={10.1109/ICASSP49660.2025.10887683}
}

📬 Contact

For questions or collaboration inquiries:

📧 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

Нельзя запустить

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

Класс архитектуры
DiCoWForConditionalGeneration
Ревизия весов
8098620

0 моделей