/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
transformers
Опубликована
6 мая 2025

diarizen-wavlm-large-s80-mlc

Поиск речи в аудиоАудио → label6 профессий

DiariZen — разреженная модель на базе WavLM-Large и Conformer для определения активности речи и диаризации записей встреч.

39скачиваний за 30 дней8лайковвеса 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

DiariZen — модель для диаризации речи, представленная командой BUT для задания MLC-SLM Challenge. Компонент EEND построен на WavLM-Large и слоях Conformer. Модель предварительно обучена на одноканальных записях речи с дальнего расстояния из нескольких публичных наборов данных, затем разрежена структурным прореживанием до 80% и дообучена на данных MLC-SLM.

Модель предназначена для анализа аудиозаписей встреч и определения активности речи и говорящих. В README приведены результаты оценки DER на американском, австралийском и британском вариантах английского, где DiariZen показала меньшую ошибку, чем базовая система Pyannote. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование только на некоммерческих условиях.

Сценарии применения

  • определение участков речи в записях встреч
  • разделение записи разговора на реплики разных говорящих
  • анализ одноканальных записей речи с дальнего расстояния
  • подготовка сегментов по говорящим для последующей расшифровки

Ограничения

Модель дообучена на данных MLC-SLM и оценивалась на нескольких вариантах английского языка; качество для других языков и условий записи в карточке не описано. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

Overview

This hub features the pre-trained model by DiariZen as described in BUT System for the MLC-SLM Challenge. The EEND component is built upon WavLM-Large and Conformer layers. The model was pre-trained on far-field, single-channel audio from a diverse set of public datasets, including AMI, AISHELL-4, AliMeeting, NOTSOFAR-1, MSDWild, DIHARD3, RAMC, and VoxConverse. Then structured pruning at 80% sparsity is applied. Finally, the pruned model is fine-tuned with MLC-SLM data. When loading this model, please ensure non-commercial usage, in accordance with the CC BY-NC 4.0 license.

Usage

from diarizen.pipelines.inference import DiariZenPipeline

# load pre-trained model
diar_pipeline = DiariZenPipeline.from_pretrained("BUT-FIT/diarizen-wavlm-large-s80-mlc")
# apply diarization pipeline
diar_results = diar_pipeline('audio.wav')

# print results
for turn, _, speaker in diar_results.itertracks(yield_label=True):
    print(f"start={turn.start:.1f}s stop={turn.end:.1f}s speaker_{speaker}")

# load pre-trained model and save RTTM result
diar_pipeline = DiariZenPipeline.from_pretrained(
        "BUT-FIT/diarizen-wavlm-large-s80-mlc",
        rttm_out_dir='.'
)
# apply diarization pipeline
diar_results = diar_pipeline('audio.wav', sess_name='session_name')

Results

DER evaluation of Pyannote baseline and DiariZen, with no collar applied.

DatasetPyannoteDiariZen
English-American20.1815.88
English-Australian13.7610.82
English-British18.8512.07
English-Filipino13.1910.28
English-Indian8.196.04
French22.6217.33
German22.3316.35
Italian10.648.85
Japanese26.4617.81
Korean23.2516.36
Portuguese17.6014.77
Russian11.379.99
Spanish12.9210.82
Thai10.9010.62
Vietnamese14.6412.69
Average16.4412.71

Citation

If you found this work helpful, please consider citing:

@article{polok2025but,
  title={BUT System for the MLC-SLM Challenge},
  author={Polok, Alexander and Han, Jiangyu and Klement, Dominik and Cornell, Samuele and {\v{C}}ernock{\`y}, Jan and Burget, Luk{\'a}{\v{s}}},
  journal={arXiv preprint arXiv:2506.13414},
  year={2025}
}

License

  • Source code: MIT (see the project’s GitHub repository).
  • Model weights: CC BY-NC 4.0 (non-commercial).
  • Rationale: some training datasets are research-only or non-commercial, so the released weights cannot be used commercially.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Ревизия весов
f054c72

0 моделей