Skip to content
Audio

WavLM speaker diarization (AMI)

точное разделение спикеров на встречах

2 min readupdated

Модель решает задачу диаризации (определяет, кто и в какой момент говорит на аудиозаписи) и возвращает готовые временные отрезки реплик для каждого участника. Она построена на базе microsoft/wavlm-base-plus (0.1B параметров) с добавлением двунаправленной рекуррентной сети BiLSTM и дообучена на датасете записей совещаний AMI. В отличие от стандартного пайплайна pyannote 3.1, эта версия заметно точнее распознаёт перебивания и реплики на записях с гарнитурных микрофонов, автоматически определяя число участников. Инструмент пригодится разработчикам систем транскрибации, протоколирования онлайн-звонков и анализа деловых встреч.

Ключевые особенности

  • Удобный метод diarize(): работает поверх пайплайна pyannote.audio, принимает аудио любой длины и частоты дискретизации, а результат сохраняет в стандартный формат RTTM.
  • Распознавание наложений речи: классифицирует каждые 20 мс аудио по 7 классам, умея выделять до 3 спикеров в 10-секундном окне и до 2 говорящих одновременно.
  • Гибкий режим работы: можно использовать как полноценный пайплайн с кластеризацией голосов через WeSpeaker или как лёгкую покадровую модель сегментации без pyannote.audio.
  • Автоматический подсчёт участников: число спикеров определяется само, но при необходимости его можно задать жёстко или ограничить диапазоном min_speakers / max_speakers.

Что можно сделать

  • Встроить в пайплайн расшифровки рабочих созвонов и совещаний вместе с ASR-моделью (например, Whisper), чтобы автоматически подписывать реплики участников.
  • Размечать длинные архивы записей конференций и интервью в формат RTTM для последующего поиска по спикерам и аналитики.
  • Использовать в локальных сервисах протоколирования встреч на базе transformers и pyannote.audio без ручной настройки сложных графов обработки аудио.

Пример

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("denkry/wavlm-diarization-ami", trust_remote_code=True)
model.to("cuda" if torch.cuda.is_available() else "cpu")

diarization = model.diarize("meeting.wav")
for turn, _, speaker in diarization.itertracks(yield_label=True):
    print(f"{turn.start:7.1f}s - {turn.end:7.1f}s  {speaker}")
Подробнее Метрики: DER 14.14% (с учётом наложений речи, без collar) на тесте AMI против 17.71% у pyannote 3.1; на VoxConverse — 12.67% DER.
Железо: рекомендуется GPU — обработка 1 часа аудио занимает около 6–7 минут на ноутбучной RTX 3050 (на CPU значительно медленнее).
Ограничения: модель обучалась только на английской речи с гарнитурных микрофонов (81 час из корпуса AMI), поэтому на шумных записях, звонках или трансляциях универсальные модели показывают себя лучше.
Discuss Telegram 0 26

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.4 GB · ready files0.9 GB
  • BF16weights 0.2 GB0.7 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.1 GB0.6 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # denkry/wavlm-diarization-ami
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download denkry/wavlm-diarization-ami --local-dir ~/models/wavlm-diarization-ami
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to wavlm-diarization-ami
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of wavlm-base-plus (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 8All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 1All on Hugging Face

About the model

denkry/wavlm-diarization-ami
Author
denkry
Category
Audio
Released
Posted

On NeyroLearn

Hugging Face

260

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments