/ Модель

Характеристики

Архитектура
sortformer · dense
Базовая модель
diar_sortformer_4spk-v1
Библиотека
mlx-audio
Опубликована
10 фев 2026

diar_sortformer_4spk-v1-fp16

Поиск речи в аудиоАудио → label6 профессий

Конверсия NVIDIA Sortformer в формат MLX для определения активности речи и разметки до четырёх говорящих в аудиозаписях.

86скачиваний за 30 дней0лайковвеса обновлены10 фев 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 в формат MLX модели diar_sortformer_4spk-v1 от NVIDIA, подготовленная сообществом mlx-community с помощью mlx-audio 0.3.2. Модель предназначена для офлайн-разметки речи по говорящим и определения активности голосов: она обрабатывает монофоническое аудио с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого временного кадра, поддерживая до четырёх говорящих.

Архитектура включает FastConformer из 18 слоёв, Transformer Encoder из 18 слоёв и модули Sortformer; используются 80 мел-фильтров. Языковые характеристики, размер и длина контекста в предоставленных данных не описаны. Условия лицензии не приведены, поэтому определить их по этой карточке нельзя.

Сценарии применения

  • определение временных участков речи в аудиозаписи
  • разметка реплик по четырём говорящим
  • подготовка транскрипта с атрибуцией говорящих
  • анализ многоголосых разговоров в монофонической записи

Ограничения

Модель работает с монофоническим аудио 16 кГц и поддерживает не более четырёх говорящих. Языковая поддержка и лицензия в предоставленных данных не описаны.

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

mlx-community/diar_sortformer_4spk-v1-fp16

This model was converted to MLX format from nvidia/diar_sortformer_4spk-v1 using mlx-audio version 0.3.2.

Refer to the original model card for more details on the model.

Use with mlx-audio

pip install -U mlx-audio

Python Example — Offline Inference:

from mlx_audio.vad import load

model = load("mlx-community/diar_sortformer_4spk-v1-fp16")
result = model.generate("meeting.wav", threshold=0.5, verbose=True)
print(result.text)

for seg in result.segments:
    print(f"Speaker {seg.speaker}: {seg.start:.2f}s - {seg.end:.2f}s")

Python Example — Streaming Inference:

from mlx_audio.vad import load

model = load("mlx-community/diar_sortformer_4spk-v1-fp16")

for result in model.generate_stream("meeting.wav", chunk_duration=5.0):
    for seg in result.segments:
        print(f"Speaker {seg.speaker}: {seg.start:.2f}s - {seg.end:.2f}s")

Python Example — Real-time Microphone Streaming:

from mlx_audio.vad import load

model = load("mlx-community/diar_sortformer_4spk-v1-fp16")
state = model.init_streaming_state()

for chunk in mic_stream():  # your audio source
    result, state = model.feed(chunk, state, sample_rate=16000)
    for seg in result.segments:
        print(f"Speaker {seg.speaker}: {seg.start:.2f}s - {seg.end:.2f}s")

Model Details

  • Architecture: FastConformer (18 layers) + Transformer Encoder (18 layers) + Sortformer Modules
  • Mel bins: 80
  • Max speakers: 4
  • Input: 16kHz mono audio
  • Output: Per-frame speaker activity probabilities

Ported from NVIDIA NeMo SortformerEncLabelModel.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
SortformerOffline
Ревизия весов
5233f9c

0 моделей