/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
frame_vad_multilingual_marblenet_v2.0
Библиотека
loom-py-rt
Опубликована
1 окт 2026

marblenet-vad-v2-loom

Поиск речи в аудиоАудио → label6 профессий

Покадровая мультиязычная модель NVIDIA для определения вероятности речи в аудиосигнале и подготовки аудио к дальнейшей обработке.

25скачиваний за 30 дней0лайковвеса обновлены1 окт 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

Frame-VAD Multilingual MarbleNet v2.0 — модель NVIDIA NeMo для покадрового обнаружения голосовой активности, экспортированная в формат GGUF для loom.cpp. Веса не изменены; базовая модель содержит 91,5 тыс. параметров.

Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Поддерживаются английский, испанский, французский, немецкий, русский и китайский языки. Экспорт можно запускать через библиотеку loom-py-rt.

Модель подходит для выделения речевых фрагментов перед распознаванием речи, записи или диаризацией. Она возвращает вероятности, а не готовые решения: пороговую обработку и сглаживание нужно настроить под сценарий использования. Распространяется по NVIDIA Open Model License Agreement; перед включением в продукт следует ознакомиться с условиями лицензии.

Сценарии применения

  • выделение речевых фрагментов перед распознаванием речи
  • определение активности голоса в аудиозаписях
  • отсечение тишины в аудиопотоке
  • предварительная сегментация речи для диаризации

Ограничения

Выход модели — вероятность для каждого 20-миллисекундного кадра, поэтому для получения речевых сегментов нужны пороговая обработка и, возможно, сглаживание. Вход должен быть монофоническим аудио с частотой 16 кГц.

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

Frame-VAD Multilingual MarbleNet v2.0

NVIDIA NeMo's 91.5K-parameter frame-level voice activity detector, exported for loom.cpp. Family 13: audio in, a speech probability for every 20 ms frame out.

This is a loom.cpp export: a single self-describing GGUF that carries its own graph topologies, tokenizer (if any) and driver script, produced by loom-exporter.

Original model

Exported from nvidia/frame_vad_multilingual_marblenet_v2.0. Weights are unmodified; this repo packages the same parameters into loom.cpp's GGUF format.

License

NVIDIA Open Model License Agreement -- inherited from the base model above.

Language(s)

en, es, fr, de, ru, zh

Usage

Run it with loom-py -- loom-py-rt on PyPI:

pip install -U "loom-py-rt[hub]"
import loom

model = loom.Model.from_pretrained("loom-ai-org/marblenet-vad-v2-loom")

# Audio is a mono float list at 16 kHz. One call over the whole clip, one row per 20 ms frame back.
result = model.speech2class.infer(audio)
print(result.granularity, result.labels)
# frame ['non_speech', 'speech']

# A probability per frame, not a decision: the threshold and any smoothing are yours. With a plain
# 0.5 threshold, the speech curve becomes segments:
speech = result.probability("speech")
segments, start = [], None
for t, p in zip(result.times, speech):
    if p >= 0.5 and start is None:
        start = t
    elif p < 0.5 and start is not None:
        segments.append((round(start, 2), round(t, 2)))
        start = None
if start is not None:
    segments.append((round(start, 2), round(len(audio) / 16000, 2)))
print(segments)   # [(start_seconds, end_seconds), ...]

The layer underneath

The call above is the high-level door: one per task, named for the modality pair it maps between, with the windowing, sampling and assembly this model needs already applied. Under it, model.infer(...) passes your arguments straight to the driver this GGUF embeds -- which is where you go for a knob the door does not name.

model.driver_source prints that driver, including a header comment documenting every argument it accepts for this model, and is the authority on it. See loom-py for the API and loom.cpp for what the engine does between the two.

Known limitations

The answer is a probability per frame, not a decision. Upstream's own card says the output may need smoothing and thresholding (0.5 is its example); both are left to you, because every consumer of a VAD -- an ASR front end, a recorder, a diarizer -- wants different onset and offset behaviour.

One row per 20 ms of input, starting at 0 s: result.times gives each row's start. Audio must be mono 16 kHz.

Distributed under the NVIDIA Open Model License Agreement, which upstream names; read it before shipping this in a product.

Files

  • marblenet-vad-v2.gguf -- the model, exported with loom-exporter.

Как запустить

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

GPU в ailist

Универсальный рантайм · loom-py-rt

Нельзя запустить

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

Ревизия весов
10957b3

0 моделей