spkrec-ecapa-voxceleb-ggml
модель распознавания спикеров в формате ggml
2 мин чтенияобновлено
Команда ivrit-ai конвертировала популярную модель spkrec-ecapa-voxceleb от SpeechBrain на базе архитектуры ECAPA-TDNN для запуска через библиотеку ggml (движок для локального инференса нейросетей без тяжелых зависимостей). Модель извлекает голосовые эмбеддинги — числовые «отпечатки» голоса, по которым система определяет, кто и когда говорит в аудиозаписи (диаризация). В отличие от оригинальной версии для PyTorch/SpeechBrain, этот порт оптимизирован для работы прямо на клиентских устройствах и представлен в компактных квантованных весах. Инструмент пригодится разработчикам локальных систем транскрибации, голосовых ассистентов и мобильных приложений с распознаванием дикторов.
Ключевые особенности
- Компактный размер: доступны два файла весов —
ecapa-q8_0.binна 23 МБ иecapa-f16.binна 42 МБ. - Минимальная потеря точности: голосовые отпечатки в версии
q8_0имеют среднее косинусное сходство 0.9998 с оригиналом SpeechBrain (минимум 0.9994) и группируются в те же кластеры спикеров. - Оптимизация структуры: слои batch norm свёрнуты в масштаб и сдвиг, а веса свёрток разложены по матрицам для быстрой работы в
ggml.
Что можно сделать
- Встроить локальную диаризацию спикеров (разделение реплик по участникам) в офлайн-приложения для расшифровки аудио и встреч.
- Использовать для верификации личности по голосу на устройствах с ограниченными ресурсами без отправки данных на сервер.
Пример
Модель принимает на вход аудиопризнаки SpeechBrain Fbank (80 мел-фильтров, 400-точечное окно Хэмминга STFT с шагом 160, децибелы и нормализация по среднему значению фразы) — их извлечение реализуется на стороне приложения, так как в бинарный файл оно не включено. Файлы весов имеют заголовок little-endian с сигнатурой IVSP (версия 1) и загружаются напрямую в ggml.
Подробнее
Базовая модель: speechbrain/spkrec-ecapa-voxceleb (ревизия 0f99f2d0ebe89ac095bcc5903c4dd8f72b367286).Варианты квантования: q8_0 (крупные матрицы в q8_0, остальные в f32/f16 — 23 МБ) и f16 (f16 и f32 — 42 МБ).
Точность: косинусное сходство 0.9998 в среднем и 0.9994 в худшем случае относительно оригинала.
Лицензия: Apache-2.0.










Комментарии