/ Модель

Характеристики

Лицензия
MIT
Библиотека
mlx
Опубликована
30 сен 2026

redimnet2-b0-vox2-ptn-mlx

Классификация аудиоАудио → label3 профессии

MLX-конверсия ReDimNet2 B0 извлекает 192-мерные голосовые эмбеддинги для сравнения и верификации говорящих по аудио.

19скачиваний за 30 дней0лайковвеса обновлены30 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

Это конверсия официального чекпойнта ReDimNet2 B0, обученного предварительно на VoxCeleb2-dev до этапа дообучения с large-margin. Модель разработана для извлечения 192-мерных векторов голоса из монофонической аудиозаписи с частотой дискретизации 16 кГц и предназначена для задач верификации и сравнения говорящих.

Версия преобразована для библиотеки MLX и распространяется в формате Safetensors. В README заявлено совпадение эмбеддингов с эталонной реализацией PyTorch с относительной ошибкой не более 3,5×10⁻⁶ в тесте на CPU с float32. Лицензия — MIT. Модель выдаёт векторы признаков, а не текстовую расшифровку речи.

Сценарии применения

  • сравнение голосов в двух аудиозаписях
  • проверка личности говорящего по голосу
  • извлечение голосовых эмбеддингов для поиска похожих голосов

Ограничения

Принимает монофоническое аудио 16 кГц; README не указывает результаты оценки качества в прикладных сценариях. Модель извлекает эмбеддинги и не предназначена для распознавания речи в текст.

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

ReDimNet2 B0 (VoxCeleb2-dev, ptn) for MLX

MLX conversion of the official ReDimNet2 b0-vox2-ptn.pt checkpoint (pretrained, before large-margin fine-tuning). It produces 192-dimensional speaker embeddings from 16 kHz mono audio.

Usage

uv add git+https://github.com/avra-m3/speaker-embedding-mlx
import mlx.core as mx
from redimnet2_mlx import load_model

model = load_model("causal/redimnet2-b0-vox2-ptn-mlx")
emb = model(mx.array(wav_16k_float32)[None])  # (1, 192)

Parity

Embeddings match the PyTorch reference to 3.5e-06 relative error (worst case, float32, MLX CPU backend). See the parity log.

License and citation

MIT, following the upstream ReDimNet2 release (Copyright (c) 2026 Palabra.ai). See third-party notices.

@inproceedings{redimnet2_2026,
  title={ReDimNet2: Scaling Speaker Verification via Time-Pooled Dimension Reshaping},
  author={Yakovlev, Ivan and Okhotnikov, Anton},
  booktitle={Proceedings of Interspeech 2026},
  year={2026},
  eprint={2603.11841},
  archivePrefix={arXiv},
}

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
614ac9d

0 моделей