К содержимому
Аудио

WavLM speaker diarization (AMI)

точное разделение спикеров на встречах

2 мин чтенияобновлено

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.
Обсудить Telegram 0 26

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.4 GB · готовые файлы0.9 GB
  • BF16веса 0.2 GB0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к wavlm-diarization-ami
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

microsoft/wavlm-base-plus

Новые посты про версии wavlm-base-plus — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 8Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

denkry/wavlm-diarization-ami
Автор
denkry
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

260

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии