/ Модель

Характеристики

Лицензия
MIT
Архитектура
pyannote-segmentation · dense
Базовая модель
segmentation-3.0
Библиотека
mlx
Опубликована
24 фев 2026

Pyannote-Segmentation-MLX

Поиск речи в аудиоАудио → label6 профессий

Компактная модель на базе pyannote/segmentation-3.0 для обнаружения речи и сегментации до трёх одновременно звучащих говорящих в 10-секундных аудиофрагментах на MLX.

3 603скачиваний за 30 дней2лайкавеса обновлены12 апр 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

aufklarer/Pyannote-Segmentation-MLX — версия модели сегментации речи PyanNet, подготовленная для запуска на MLX. Она основана на pyannote/segmentation-3.0 и разработана для обнаружения активности речи и сегментации говорящих в аудиозаписях. Модель обрабатывает окна длительностью 10 секунд и выдаёт вероятности для семи классов: тишина или неречевая активность, отдельные говорящие из числа до трёх и их попарно перекрывающаяся речь.

Архитектура включает SincNet, двунаправленную LSTM из четырёх слоёв и классификатор с двумя линейными слоями; размер — около 1,5 млн параметров. Веса преобразованы из официального чекпойнта PyTorch Lightning в формат для MLX, с предварительно вычисленными фильтрами SincNet. Репозиторий предназначен для использования с MLX и Swift на Apple Silicon. Лицензия — MIT.

Сценарии применения

  • обнаружение речевых фрагментов в аудиозаписях
  • определение активности речи и тишины
  • разметка речи по говорящим
  • обработка перекрывающейся речи нескольких говорящих
  • запуск сегментации речи на Apple Silicon через MLX

Ограничения

Обрабатывает окна по 10 секунд и различает не более трёх одновременных говорящих; README не описывает качество на разных языках или акустических условиях. Для работы с MLX модель ориентирована на Apple Silicon.

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

Pyannote Segmentation 3.0 — MLX

MLX-compatible weights for pyannote/segmentation-3.0 (PyanNet), converted from the official PyTorch Lightning checkpoint with pre-computed SincNet filters.

Model

PyanNet is a speaker segmentation model (~1.5M params) that processes 10-second audio windows and outputs 7-class powerset probabilities for up to 3 simultaneous speakers. Used for both voice activity detection (binary) and speaker diarization (per-speaker).

Architecture: SincNet → BiLSTM(4 layers) → Linear(2 layers) → 7-class softmax

Output classes: non-speech, spk1, spk2, spk3, spk1+2, spk1+3, spk2+3

Usage (Swift / MLX)

import SpeechVAD

// Voice Activity Detection
let vad = try await PyannoteVADModel.fromPretrained()
let segments = vad.detectSpeech(audio: samples, sampleRate: 16000)
for seg in segments {
    print("Speech: \(seg.startTime)s - \(seg.endTime)s")
}

// Speaker Diarization (with WeSpeaker embeddings)
let pipeline = try await DiarizationPipeline.fromPretrained()
let result = pipeline.diarize(audio: samples, sampleRate: 16000)
for seg in result.segments {
    print("Speaker \(seg.speakerId): \(seg.startTime)s - \(seg.endTime)s")
}

Part of speech-swift.

Conversion

python3 scripts/convert_pyannote.py --token YOUR_HF_TOKEN --upload

Converts the gated pyannote/segmentation-3.0 checkpoint using a custom unpickler (no pyannote.audio dependency required). Key transformations:

  • SincNet: pre-compute 80 sinc bandpass filters (40 cos + 40 sin) from 40 learned (low_hz, band_hz) parameter pairs
  • Conv1d: transpose weights [O, I, K] → [O, K, I] for MLX channels-last
  • BiLSTM: split into forward/backward stacks, sum bias_ih + bias_hh
  • Linear/classifier: kept as-is

Weight Mapping

PyTorch KeyMLX KeyShape
sincnet.conv1d.0.filterbank.* (computed)sincnet.conv.0.weight[80, 251, 1]
sincnet.conv1d.{1,2}.weightsincnet.conv.{1,2}.weight[O, K, I]
sincnet.norm1d.{0-2}.*sincnet.norm.{0-2}.*varies
lstm.weight_ih_l{i}lstm_fwd.layers.{i}.Wx[512, I]
lstm.weight_hh_l{i}lstm_fwd.layers.{i}.Wh[512, 128]
lstm.bias_ih_l{i} + bias_hh_l{i}lstm_fwd.layers.{i}.bias[512]
lstm.*_reverselstm_bwd.layers.{i}.*same
linear.{0,1}.*linear.{0,1}.*varies
classifier.*classifier.*[7, 128]

License

The original pyannote segmentation model is released under the MIT License.



Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
abef011

0 моделей