/ Модель

Характеристики

Лицензия
MIT
Библиотека
mlx
Опубликована
30 сен 2026

redimnet2-b4-vox2-ptn-mlx

Классификация аудиоАудио → label3 профессии

Конверсия ReDimNet2 B4 для MLX, создающая 192-мерные эмбеддинги диктора из монофонического аудио 16 кГц для сравнения голосов.

28скачиваний 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

ReDimNet2 B4 — конверсия официального чекпойнта модели для верификации диктора в формат MLX. Модель принимает монофоническое аудио с частотой 16 кГц и формирует вектор эмбеддинга диктора размерностью 192, который можно использовать для сравнения голосов.

Чекпойнт обучен на VoxCeleb2-dev и опубликован до этапа дообучения с large-margin. Версия для MLX сохраняет близкое соответствие PyTorch-реализации: README сообщает об относительной ошибке до 3,1×10⁻⁶ на CPU в float32. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT.

Сценарии применения

  • сравнение голосов по аудиозаписям
  • проверка совпадения диктора в двух записях
  • извлечение голосовых эмбеддингов для системы верификации диктора

Ограничения

Модель ожидает монофонический звук с частотой 16 кГц. Чекпойнт опубликован до large-margin дообучения; README приводит проверку соответствия PyTorch только для CPU в float32.

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 B4 (VoxCeleb2-dev, ptn) for MLX

MLX conversion of the official ReDimNet2 b4-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-b4-vox2-ptn-mlx")
emb = model(mx.array(wav_16k_float32)[None])  # (1, 192)

Parity

Embeddings match the PyTorch reference to 3.1e-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
18e44ce

0 моделей