/ Модель

Характеристики

Лицензия
MIT
Библиотека
mlx
Опубликована
30 сен 2026

redimnet2-b3-vox2-ptn-mlx

Классификация аудиоАудио → label3 профессии

Конверсия ReDimNet2 B3 для MLX извлекает 192-мерные эмбеддинги из монофонической речи для сравнения и верификации говорящих.

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 B3 для MLX, подготовленного на VoxCeleb2-dev до дообучения с large-margin loss. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт 192-мерные эмбеддинги голоса, которые можно использовать для сравнения говорящих и верификации личности по голосу.

Репозиторий содержит веса в формате safetensors и предназначен для запуска через MLX. По README, эмбеддинги совпадают с результатами эталонной реализации PyTorch с относительной ошибкой до 4,4×10⁻⁶ в проверке на CPU с float32. Лицензия — MIT.

Сценарии применения

  • проверка совпадения голосов в аудиозаписях
  • поиск записей одного говорящего в коллекции аудио
  • извлечение голосовых эмбеддингов для последующей кластеризации
  • построение систем верификации говорящего

Ограничения

Модель ожидает монофоническое аудио с частотой 16 кГц. Это чекпойнт до large-margin дообучения; README не сообщает метрики качества на прикладных наборах данных.

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 B3 (VoxCeleb2-dev, ptn) for MLX

MLX conversion of the official ReDimNet2 b3-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-b3-vox2-ptn-mlx")
emb = model(mx.array(wav_16k_float32)[None])  # (1, 192)

Parity

Embeddings match the PyTorch reference to 4.4e-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
a478966

0 моделей