/ Модель

Характеристики

Лицензия
MIT
Базовая модель
segmentation-3.0
Библиотека
pyannote-audio
Опубликована
17 сен 2026

pyannote-segmentation-agri-indic

Поиск речи в аудиоАудио → label

Сегментатор Digital Green на базе pyannote, дообученный для выделения говорящих в шумных сельскохозяйственных записях на хинди, телугу и одия перед распознаванием речи.

0скачиваний за 30 дней0лайковвеса обновлены19 сен 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

Agri Diarization Segmenter — модель сегментации речи, разработанная Digital Green на основе pyannote/segmentation-3.0 и дообученная на записях FarmerChat. Она предназначена для выделения речевых сегментов и говорящих в шумных полевых аудиозаписях с несколькими участниками на хинди, телугу и одия, в частности для выбора речи фермера перед распознаванием ASR. Модель использует архитектуру pyannote-audio, распространяется в формате PyTorch и лицензирована по MIT.

На тестовой выборке из 411 клипов DER составил 0,214 против 0,417 у стандартной pyannote 3.1; снижение ложного обнаружения речи сопровождается небольшим ростом пропусков. Модель выполняет инференс на CPU, однако перенос на другие языки не подтверждён; качество также может снижаться на редких записях с тремя и более говорящими. Для применения следует настроить порог кластеризации.

Сценарии применения

  • сегментация речи фермеров в полевых записях
  • диаризация многоголосых сельскохозяйственных аудиозапросов
  • выбор речи целевого говорящего перед ASR
  • обнаружение речи в шумных записях с телефона

Ограничения

Перенос на языки, отличные от хинди, телугу и одия, не подтверждён; снижение ложных срабатываний сопровождается небольшим ростом пропусков речи, особенно на редких записях с тремя и более говорящими. Разбиение тестовых данных выполнено по клипам, а независимость говорящих и сессий не доказана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Agri Diarization Segmenter (pyannote segmentation, fine-tuned for Indic farmer field audio)

A speaker-segmentation model for noisy, multi-speaker agricultural voice queries in Hindi, Telugu, and Odia. It is pyannote/segmentation-3.0 fine-tuned on human-annotated FarmerChat field recordings, and it is the one fine-tuned component of Digital Green's model-agnostic voice pipeline for agricultural speech. It is used to isolate the farmer's own speech (diarization → best-speaker selection) before an unmodified ASR model transcribes it.

Why fine-tune

No off-the-shelf diarizer transferred cleanly to open-air, low-end-phone farmer recordings across these three languages: for every stock system the dominant error is false alarm (hearing speech in background noise). Fine-tuning the segmenter on this audio collapses that false alarm.

Results (leakage-free, matched held-out split)

Scored on a frozen 411-clip test split the model never trained on, against the same human reference at a 0.25 s collar, alongside the stock and cloud diarizers on the same clips:

DiarizerDER @0.25 (lower is better)
This model (fine-tuned pyannote)0.214
Azure (cloud)0.249
pyannote 3.1 (stock)0.417

The improvement over stock is almost entirely a reduction in false alarm (0.364 → 0.118), at the cost of a small rise in missed speech (0.065 → 0.111). The validation-checkpoint DER was 0.1908 (epoch 82).

Intended use

  • Speaker segmentation / diarization for agricultural voice pipelines, as the front end to target-speaker selection before ASR.
  • CPU-inferable (~0.4 s per clip) — no GPU required at inference.

Training data

Fine-tuned on human-annotated FarmerChat field recordings (Hindi / Telugu / Odia), with speaker turns and timestamps placed by human annotators. Clip-level split: 1,884 train / 401 dev / 411 test. The raw training audio and speaker-turn files are not redistributed here because they are farmer field recordings (privacy); this repository ships the model weights and recipe only.

Limitations

  • Adapted on Hindi, Telugu, and Odia field audio; transfer to unseen languages is not established.
  • The false-alarm reduction trades a little recall on the rare clips with three or more speakers.
  • The split is by clip, not demonstrated to be speaker- or session-disjoint.

Usage

from pyannote.audio import Model
from pyannote.audio.pipelines import SpeakerDiarization

# load the fine-tuned segmentation model from the local checkpoint
seg = Model.from_pretrained("seg-ft-epoch82-DER0.1908.ckpt")

pipeline = SpeakerDiarization(segmentation=seg, clustering="AgglomerativeClustering")
pipeline.instantiate({
    "clustering": {"method": "centroid", "threshold": 0.7},
    "segmentation": {"min_duration_off": 0.0},
})
diarization = pipeline("clip.wav")
for turn, _, speaker in diarization.itertracks(yield_label=True):
    print(f"{turn.start:.2f}-{turn.end:.2f} {speaker}")

Tune the clustering threshold for your audio. The checkpoint is a pyannote/Lightning segmentation model.

The accompanying paper, Model-Agnostic and Language-Agnostic Voice Pipeline Improvement for the Agriculture Domain, is included in this repository (arXiv:2609.20504).

License and attribution

MIT, following the base model pyannote/segmentation-3.0 (Bredin, pyannote.audio). Please cite pyannote.audio and Digital Green's agricultural voice-pipeline paper if you use this model.

Как запустить

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

GPU в ailist

Универсальный рантайм · pyannote-audio

Нельзя запустить

Модели pyannote требуют отдельного рантайма.

Ревизия весов
7aa4d76

0 моделей