/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
20 июл 2026

pyannote-seg-afr-childspeech-ft

Поиск речи в аудиоАудио → label

Модель сегментации речи для диаризации детской речи на африкаанс в конвейере pyannote.

8скачиваний за 30 дней2лайкавеса обновлены24 июл 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

pyannote-seg-afr-childspeech-ft — модель сегментации речи для диаризации, дообученная на детской речи на африкаанс. Она основана на pyannote/segmentation-3.0 с архитектурой PyanNet и powerset-разметкой, допускающей до двух одновременных говорящих. Модель принимает аудио с частотой 16 кГц и обучалась на фрагментах длиной 15 секунд.

Сегментация используется в конвейере pyannote для определения речевых отрезков и последующей диаризации; эмбеддинги и кластеризация следуют рецепту pyannote 3.1, запуск выполняется на pyannote-audio 4.0.4. Для работы требуется pyannote.audio версии 4.0.4 и токен Hugging Face с принятыми условиями доступа к pyannote/speaker-diarization-community-1. Лицензия модели — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Сценарии применения

  • разметка речевых отрезков в записях детской речи на африкаанс
  • диаризация аудиозаписей с детскими голосами
  • выделение участков с речью для последующей кластеризации говорящих

Ограничения

Поддерживает сегментацию не более двух одновременных говорящих и ориентирована на детскую речь на африкаанс. Для запуска требуются pyannote.audio 4.0.4 и доступ к pyannote/speaker-diarization-community-1; лицензия запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pyannote-seg-afr-childspeech-ft

Speaker diarization pipeline finetuned for Afrikaans child speech.

The segmentation model is a finetune of pyannote/segmentation-3.0 (PyanNet, powerset with max 2 concurrent speakers, 16 kHz, 15 s training chunks). Embedding and clustering follow the pyannote 3.1 recipe, run under pyannote-audio 4.0.4.

Requirements

Why community-1 is required. In pyannote-audio 4.x, building a SpeakerDiarization pipeline loads a PLDA model unconditionally, then only uses it when clustering is VBxClustering. This pipeline uses AgglomerativeClustering, so the PLDA is fetched and ignored — but the download still happens, so you need access. Expect a first-run download you won't actually use.

Usage

from pyannote.audio import Pipeline
import torch

pipeline = Pipeline.from_pretrained(
    "daanshil/pyannote-seg-afr-childspeech-ft", token="hf_..."
)
pipeline.to(torch.device("cuda"))  # optional

output = pipeline("recording.wav")

# pyannote 4.x returns a DiarizeOutput wrapper — unwrap to get the Annotation
diarization = getattr(output, "speaker_diarization", output)

for turn, _, speaker in diarization.itertracks(yield_label=True):
    print(f"{turn.start:.2f}s - {turn.end:.2f}s: {speaker}")

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Ревизия весов
c1b562f

0 моделей