/ Модель

Характеристики

Размер весов
11,3 ГБ
Лицензия
CC BY 4.0
Базовая модель
diar_streaming_sortformer_4spk-v2.1
Библиотека
coreml
Опубликована
24 дек 2025

diar-streaming-sortformer-coreml

Распознавание речиАудио → текст3 профессии

FluidInference/diar-streaming-sortformer-coreml — набор моделей для диаризации речи, преобразованных из NVIDIA Sortformer в формат CoreML для устройств Apple Silicon.

3 085скачиваний за 30 дней6лайковвеса обновлены24 июн 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

Модели предназначены для потоковой и пакетной обработки аудио в приложениях на iOS и macOS, включая определение временных сегментов и вероятностей речи до четырёх говорящих. Интеграция предусмотрена через библиотеку FluidAudio на Swift.

В основе лежит nvidia/diar_streaming_sortformer_4spk-v2.1; указано отношение к базовой модели finetune. Модели используют мел-спектрограммы и внутренние эмбеддинги состояния говорящих, поддерживают конфигурации с низкой задержкой и конфигурацию NVIDIA High для более высокого качества при офлайн-обработке. Для вариантов Fastest и NVIDIA Low заявлена задержка около 1,04 секунды, для NVIDIA High — около 30,4 секунды. v2.1, согласно README, более устойчива в сценариях совещаний. Максимальное число отслеживаемых говорящих — четыре.

Сильные стороны — потоковая обработка, наличие вариантов с разным компромиссом между задержкой и качеством, а также оптимизация под экосистему Apple. Ограничения включают фиксированную поддержку четырёх говорящих и отсутствие в предоставленных данных сведений о языках, точности, требованиях к аудио и качестве в различных акустических условиях. Модели распространяются по лицензии CC BY 4.0.

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

Sortformer CoreML Models

Streaming speaker diarization models converted from NVIDIA's Sortformer to CoreML for Apple Silicon.

Model Variants

VariantFileLatencyUse Case
Fastest v2Sortformer_v2.mlmodelc~1.04sLow latency streaming
Fastest v2.1Sortformer_v2.1.mlmodelc~1.04sLow latency streaming
NVIDIA Low v2SortformerNvidiaLow_v2.mlmodelc~1.04sLow latency streaming
NVIDIA Low v2.1SortformerNvidiaLow_v2.1.mlmodelc~1.04sLow latency streaming
NVIDIA High v2SortformerNvidiaHigh_v2.mlmodelc~30.4sBest quality, offline
NVIDIA High v2.1SortformerNvidiaHigh_v2.1.mlmodelc~30.4sBest quality, offline

The v2 and v2.1 refer to the version of the model weights to use. According to NVIDIA, v2.1 is more robust in meeting scenarios.

Configuration Parameters

ParameterDefaultNVIDIA LowNVIDIA High
chunk_len66340
chunk_right_context7740
chunk_left_context111
fifo_len4018840
spkcache_len188188188

Model Input/Output Shapes

General:

InputShapeDescription
chunk[1, 8*(C+L+R), 128]Mel spectrogram features
chunk_lengths[1]Actual chunk length
spkcache[1, S, 512]Speaker cache embeddings
spkcache_lengths[1]Actual cache length
fifo[1, F, 512]FIFO queue embeddings
fifo_lengths[1]Actual FIFO length
OutputShapeDescription
speaker_preds[C+L+R+S+F, 4]Speaker probabilities (4 speakers)
chunk_pre_encoder_embs[C+L+R, 512]Embeddings for state update
chunk_pre_encoder_lengths[1]Actual embedding count
nest_encoder_embs[C+L+R+S+F, 192]Embeddings for speaker discrimination
nest_encoder_lengths[1]Actual speaker embedding count

Note: C = chunk_len, L = chunk_left_context, R = chunk_right_context, S = spkcache_len, F = fifo_len.

Configuration-Specific Shapes:

InputDefaultNVIDIA LowNVIDIA High
chunk[1, 112, 128][1, 112, 128][1, 3048, 128]
chunk_lengths[1][1][1]
spkcache[1, 188, 512][1, 188, 512][1, 188, 512]
spkcache_lengths[1][1][1]
fifo[1, 40, 512][1, 188, 512][1, 40, 512]
fifo_lengths[1][1][1]
OutputDefaultNVIDIA LowNVIDIA High
speaker_preds[1, 242, 128][1, 390, 128][1, 609, 128]
chunk_pre_encoder_embs[1, 14, 512][1, 14, 512][1, 381, 512]
chunk_pre_encoder_lengths[1][1][1]
nest_encoder_embs[1, 242, 192][1, 390, 192][1, 609, 192]
nest_encoder_lengths[1][1][1]
MetricDefaultNVIDIA High
Latency~1.12s~30.4s
RTFx (M4 Max)~5.7x~125.3x

Usage with FluidAudio (Swift)

import FluidAudio

// Initialize with default config (auto-downloads from HuggingFace)
let diarizer = SortformerDiarizer(config: .default)
let models = try await SortformerModels.loadFromHuggingFace(config: .default)
diarizer.initialize(models: models)

// Streaming processing
for audioChunk in audioStream {
    if let result = try diarizer.processSamples(audioChunk) {
        for frame in 0..<result.frameCount {
            for speaker in 0..<4 {
                let prob = result.getSpeakerPrediction(speaker: speaker, frame: frame)
            }
        }
    }
}

// Or batch processing
let timeline = try diarizer.processComplete(audioSamples)
for (speakerIndex, segments) in timeline.segments.enumerated() {
    for segment in segments {
        print("Speaker \(speakerIndex): \(segment.startTime)s - \(segment.endTime)s")
    }
}

Performance

https://github.com/FluidInference/FluidAudio/blob/main/Documentation/Benchmarks.md

Files

Models

  • Sortformer.mlpackage / .mlmodelc - Default config (low latency)
  • SortformerNvidiaLow.mlpackage / .mlmodelc - NVIDIA low latency config
  • SortformerNvidiaHigh.mlpackage / .mlmodelc - NVIDIA high latency config

Scripts

  • convert_to_coreml.py - PyTorch to CoreML conversion
  • streaming_inference.py - Python streaming inference example
  • mic_inference.py - Real-time microphone demo

Source

Original model: https://huggingface.co/nvidia/diar_streaming_sortformer_4spk-v2.1

Credits & Acknowledgements

This project would not have been possible without the significant technical contributions of https://huggingface.co/GradientDescent2718.

Their work was instrumental in:

  • Architecture Conversion: Developing the complex PyTorch-to-CoreML conversion pipeline for the 17-layer Fast-Conformer and 18-layer Transformer heads.
  • Build & Optimization: Engineering the static shape configurations that allow the model to achieve ~120x RTF on Apple Silicon.
  • Logic Implementation: Porting the critical streaming state logic (speaker cache and FIFO management) to ensure consistent speaker identity tracking.

This project was built upon the foundational work of the NVIDIA NeMo team.

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
ae9a27a

0 моделей