/ Модель

Характеристики

Архитектура
sortformer · dense
Базовая модель
diar_streaming_sortformer_4spk-v2.1
Библиотека
mlx-audio
Опубликована
10 фев 2026

diar_streaming_sortformer_4spk-v2.1-fp16

Поиск речи в аудиоАудио → label7 профессий

Потоковая модель NVIDIA в формате MLX определяет активность речи и размечает говорящих по кадрам аудио для записей максимум с четырьмя участниками.

698скачиваний за 30 дней2лайкавеса 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

Потоковая модель для определения активности речи и диаризации: она выдаёт вероятности активности каждого говорящего по кадрам аудио. Репозиторий mlx-community содержит конвертированные в формат MLX веса модели NVIDIA diar_streaming_sortformer_4spk-v2.1; в README описана архитектура FastConformer с 17 слоями, Transformer Encoder с 18 слоями и модулями Sortformer.

Модель принимает монофонический звук с частотой 16 кГц и рассчитана на записи с участием до четырёх говорящих. Для потоковой обработки использует кэш говорящих и сжатие контекста AOSC, а в файловом режиме учитывает контекст на границах чанков. Подходит для разметки смены говорящих в реальном времени и последующей сегментации аудиозаписей.

Это конверсия исходной модели NVIDIA в MLX, подготовленная сообществом mlx-community для библиотеки mlx-audio. Лицензия в предоставленных данных не указана.

Сценарии применения

  • диаризация телефонных и видеозвонков в реальном времени
  • разметка реплик участников подкаста
  • определение активности каждого говорящего в аудиозаписи
  • сегментация записи встречи по говорящим
  • потоковая обработка монофонического аудио с частотой 16 кГц

Ограничения

Поддерживает не более четырёх говорящих и ожидает монофонический аудиосигнал с частотой 16 кГц. В предоставленных данных не описаны точность на разных наборах данных и условия лицензии.

Для каких профессий подходит7

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_streaming_sortformer_4spk-v2.1-fp16

This model was converted to MLX format from nvidia/diar_streaming_sortformer_4spk-v2.1 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

Converting from NeMo

The original model is distributed as a .nemo archive. This repo contains the pre-converted MLX weights.

python -m mlx_audio.vad.models.sortformer.convert \
    --nemo-path nvidia/diar_streaming_sortformer_4spk-v2.1 \
    --output-dir ./sortformer-v2.1-mlx

Python Example — Streaming Inference (Recommended):

from mlx_audio.vad import load

model = load("mlx-community/diar_streaming_sortformer_4spk-v2.1-fp16")

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

Python Example — Offline Inference:

from mlx_audio.vad import load

model = load("mlx-community/diar_streaming_sortformer_4spk-v2.1-fp16")
result = model.generate("meeting.wav", threshold=0.5, verbose=True)
print(result.text)

Python Example — Real-time Microphone Streaming:

from mlx_audio.vad import load

model = load("mlx-community/diar_streaming_sortformer_4spk-v2.1-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 (17 layers) + Transformer Encoder (18 layers) + Sortformer Modules
  • Mel bins: 128
  • Max speakers: 4
  • Streaming: AOSC (Arrival-Order Speaker Cache) compression for intelligent long-range context
  • Input: 16kHz mono audio
  • Output: Per-frame speaker activity probabilities

Key Streaming Features

  • Speaker Cache + FIFO buffers for long-range and recent context
  • AOSC compression scores frames by per-speaker log-likelihood ratio, boosting underrepresented speakers
  • Silence profiling fills cache gaps with running-mean silence embeddings
  • Left/right context for chunk boundary handling in file mode

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.

Ревизия весов
e23e640

0 моделей