/ Модель

Характеристики

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

diar_streaming_sortformer_4spk-v2.1-fp32

Поиск речи в аудиоАудио → label6 профессий

Производная модели mlx-community/diar_streaming_sortformer_4spk-v2.1-fp32. Потоковая модель NVIDIA Sortformer в конвертированном формате MLX для определения активности речи и разметки говорящих в аудио с числом участников до четырёх.

226скачиваний за 30 дней0лайковвеса обновлены10 сен 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

Карточка модели theoracleguy/diar_streaming_sortformer_4spk-v2.1-fp32 на Hugging Face совпадает с карточкой mlx-community/diar_streaming_sortformer_4spk-v2.1-fp32, поэтому описание составлено по ней.

Это потоковая модель диаризации речи Sortformer, преобразованная сообществом mlx-community из модели NVIDIA diar_streaming_sortformer_4spk-v2.1 в формат MLX с помощью mlx-audio 0.3.2. В основе архитектура FastConformer из 17 слоёв, энкодер Transformer из 18 слоёв и модули Sortformer; модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого кадра. Она рассчитана на потоки и записи с числом говорящих до четырёх, используя кэш говорящих и контекст для обработки длинных потоков и границ аудиофрагментов.

Модель подходит для разметки того, кто и когда говорит в аудиозаписи или потоке, а также для определения активности речи. README описывает веса в формате MLX, распространяемые как safetensors; для работы используется библиотека mlx-audio. Это конверсия исходной модели NVIDIA, а не самостоятельное дообучение. README отсылает к карточке исходной модели за дополнительными сведениями; лицензия и языковая специализация в предоставленных данных не описаны.

Сценарии применения

  • разметка реплик по говорящим в потоковом аудио
  • определение активности речи в монофонической записи
  • диаризация встреч и разговоров с числом участников до четырёх

Ограничения

Рассчитана максимум на четырёх говорящих и принимает монофонический звук с частотой 16 кГц. Предоставленные сведения не описывают языковую специализацию и лицензию; подробности README предлагает смотреть в карточке исходной модели.

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_streaming_sortformer_4spk-v2.1-fp32

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-fp32")

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-fp32")
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-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 (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
d7468a7

0 моделей