Skip to content
Audio

DialogueSidon2

разделение и очистка диалогов двух спикеров

2 min readupdated

Модель принимает запись разговора двух людей в плохом качестве (телефонная линия, шум, реверберация, сжатие кодеками) и возвращает две отдельные чистые аудиодорожки с частотой 24 кГц — по одной на каждого говорящего. В основе лежит дообученная facebook/w2v-bert-2.0 (13 слоёв) и декодер SSL-VAE (вариационный автоэнкодер на латентных представлениях речи) от sarulab-speech. В отличие от первой версии DialogueSidon, которая генерировала представления через диффузию в 30 шагов, новинка извлекает обоих спикеров за один прямой проход (forward pass) и работает полностью детерминированно. Подойдёт исследователям речи и разработчикам пайплайнов транскрибации телефонных звонков или интервью.

Ключевые особенности

  • Один проход без диффузии: модель считывает латентные представления сразу из микса, поэтому работает быстрее предшественника и на одинаковом входе всегда выдаёт идентичный результат.
  • Восстановление до 24 кГц: не просто разделяет голоса, но и убирает шумы, эхо и артефакты телефонных кодеков.
  • Обработка длинных записей: фрагменты до 30 секунд обрабатываются целиком, а более длинные — окнами по 30 секунд с перекрытием 5 секунд и выравниванием дорожек по корреляции.
  • Готовый инференс без лишних зависимостей: в репозитории есть экспортированные через torch.export файлы и скрипт ds2_infer.py, которому нужны только torch и torchaudio.

Что можно сделать

  • Разделить запись телефонного звонка или интервью на два отдельных моно-трека перед подачей в ASR (систему распознавания речи) для точной диаризации и транскрибации.
  • Очистить зашумлённые архивные диалоги и привести их к единой частоте дискретизации 24 кГц для исследовательских датасетов.
  • Встроить локальный инференс на CPU или CUDA в свой Python-пайплайн с помощью ds2_infer.py без установки основного репозитория Sidon.

Пример

import sys, soundfile as sf, torch
from huggingface_hub import snapshot_download

model_dir = snapshot_download("sarulab-speech/DialogueSidon2",
    allow_patterns=["separator.pt2", "vae_decoder.pt2", "metadata.json", "ds2_infer.py"])
sys.path.insert(0, model_dir)
import ds2_infer

models = ds2_infer.load(model_dir, "cuda")
audio, rate = sf.read("dialogue.wav", always_2d=True)
speakers = ds2_infer.separate(torch.from_numpy(audio.T).float(), rate, models)
sf.write("speakers.wav", speakers.T.numpy(), ds2_infer.SAMPLE_RATE)
ПодробнееМетрики: на реальных записях OpenDialog WER (Whisper large-v3) снизился с 14,07% до 9,95%, а качество речи NISQA выросло с 3,568 до 3,819; на Switchboard WER улучшился с 14,43% до 12,71%.
Совместимость: экспортированные программы .pt2 собраны под torch==2.8.0 и torchaudio==2.8.0, поддерживается запуск на CUDA и CPU.
Ограничения: модель рассчитана строго на двух спикеров, порядок выходных дорожек произвольный; на длинных записях спикеры могут поменяться каналами, если один из них молчит всё 5-секундное перекрытие.
Лицензия: CC BY-NC 4.0 (только исследования и некоммерческое использование; запрещено клонирование голоса и идентификация личности).
Discuss Telegram 2 41

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 2.1 GB · ready files2.8 GB
  • BF16weights 1.0 GB1.6 GB
  • FP8 / INT8recommendedweights 0.5 GB1.1 GB
  • 4-bitweights 0.3 GB0.8 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.

    # sarulab-speech/DialogueSidon2
    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 sarulab-speech/DialogueSidon2 --local-dir ~/models/DialogueSidon2
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to DialogueSidon2
  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 w2v-bert-2.0 (quants, finetunes, LoRAs) will show up under the bell.

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

About the model

sarulab-speech/DialogueSidon2
Author
sarulab-speech
Category
Audio
Released
Posted

On NeyroLearn

Hugging Face

412

Ask AI about this model

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

Comments