К содержимому
Другое

vyralsampler-models-nc

ONNX-выравниватели речи для европейских языков

2 мин чтения

Набор из четырёх экспортированных в формат ONNX моделей на базе wav2vec2 (из корпуса VoxPopuli через torchaudio), созданный автором JensLantz для приложения VyralSampler. Модели решают задачу принудительного выравнивания речи (forced alignment) — определяют точные временные границы каждого произнесённого или пропетого слова в аудио и видео. В отличие от оригинальных версий, эти файлы работают напрямую через ONNX Runtime без необходимости устанавливать тяжёлый фреймворк PyTorch. Инструмент пригодится разработчикам аудио- и видеоредакторов, генераторов субтитров и систем нарезки семплов.

Ключевые особенности

  • Поддержка четырёх языков: французского (aligner_fr.onnx), немецкого (aligner_de.onnx), испанского (aligner_es.onnx) и итальянского (aligner_it.onnx).
  • Запуск без PyTorch: модели сконвертированы в ONNX (opset 17) и содержат метки символов прямо внутри метаданных файлов.
  • Высокая точность конвертации: расхождение выходных значений с оригиналом на Torch не превышает 5e-5, а разметка границ слов соответствует алгоритму WhisperX 3.8.6.

Что можно сделать

  • Встроить в приложение или пайплайн для автоматической нарезки голосовых и вокальных семплов из видеороликов.
  • Использовать в связке с системами распознавания речи (аналогично WhisperX) для создания точных пословных субтитров без тяжёлых зависимостей.

Пример

В приложении VyralSampler модели загружаются в ONNX Runtime: на вход подаётся аудиодорожка из видео с речью или вокалом на французском, немецком, испанском или итальянском языке, а на выходе программа получает точные тайминги начала и конца каждого слова для нарезки фрагмента.

ПодробнееБазовые модели: VOXPOPULI_ASR_BASE_10K (FR, DE, ES, IT) из torchaudio
Экспорт: legacy exporter из PyTorch 2.8 (opset 17), веса не изменялись
Лицензия: CC BY-NC 4.0 (только некоммерческое использование)
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 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 · BF16 — 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.

    # JensLantz/vyralsampler-models-nc
    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 JensLantz/vyralsampler-models-nc --local-dir ~/models/vyralsampler-models-nc
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к vyralsampler-models-nc
  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

Новые посты про версии vyralsampler-models-nc — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

JensLantz/vyralsampler-models-nc
Автор
JensLantz
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Atom Zero 49M

Atom Zero 49M
Другое

LeanScene

LeanScene