/ Модель

Характеристики

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

diar_sortformer_4spk-v1-fp32

Поиск речи в аудиоАудио → label6 профессий

MLX-конверсия офлайн-модели NVIDIA для определения активности и разметки речи до четырёх говорящих в аудиозаписях.

143скачиваний 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 версия модели NVIDIA Sortformer для офлайн-разметки активности и временных сегментов речи до четырёх говорящих. Репозиторий mlx-community содержит конвертацию исходной модели nvidia/diar_sortformer_4spk-v1 в формат MLX с помощью mlx-audio 0.3.2; архитектура включает FastConformer из 18 слоёв, Transformer Encoder из 18 слоёв и модули Sortformer.

Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт вероятности активности каждого говорящего по кадрам. Она подходит для диаризации аудиозаписей с несколькими собеседниками и разметки речевой активности, максимум для четырёх голосов. В карточке указана лицензия исходной модели; отдельные условия лицензирования этой конвертации не приведены.

Сценарии применения

  • диаризация записи разговора с несколькими собеседниками
  • определение временных интервалов речи каждого из четырёх говорящих
  • получение покадровых вероятностей активности говорящих
  • разметка речевой активности в монофонической записи с частотой 16 кГц

Ограничения

Обрабатывает монофоническое аудио с частотой 16 кГц и рассчитана максимум на четырёх говорящих. Это офлайн-модель; языковая специализация и лицензия конвертированной версии 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-fp32

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-fp32")
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-fp32")

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-fp32")
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
fc9d520

0 моделей