К содержимому
Аудио

VibeVoice-CSK1

ASR для чешского и словацкого с диаризацией и таймкодами

1 мин чтения

Это полный BF16-checkpoint на базе microsoft/VibeVoice-ASR: в него влит QLoRA-адаптер, обученный на 450 часах чешской и словацкой речи. Модель на 8,67 млрд параметров распознаёт речь и выдаёт текст, метки спикеров и таймкоды. В комплекте оба speech encoder, tokenizer и processor.

Ключевые особенности

  • Специализация на чешском и словацком; задача — automatic-speech-recognition.
  • QLoRA-адаптер уже merged в VibeVoice-ASR, веса не квантованы — BF16.
  • На выходе не только текст, но и speaker labels с временными метками.
  • Готовый inference.py: можно передать локальную папку или repo ID, есть офлайн-режим через --local-files-only.
  • Greedy decoding; --max-new-tokens по умолчанию 4096, при неполной генерации сохраняется частичный вывод.

Пример

pip install huggingface-hub==0.36.2
hf download lofcz/VibeVoice-CSK1 --local-dir VibeVoice-CSK1
cd VibeVoice-CSK1
pip install -r requirements.txt
python inference.py recording.wav --device cuda:0 --output transcription.json
ПодробнееАдаптер: rank 64, alpha 32, checkpoint step 2564; экспорт — unquantized BF16.
Тестировали на 24 GB RTX A5000; нужны Python 3.11+, CUDA GPU и больше памяти для длинных записей.
Для форматов вне SoundFile нужен FFmpeg; длинные аудио лучше резать на клипы.
В merge_manifest.json записаны base revision, хэши адаптера, версии зависимостей и проверки тензоров.
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 16 GB · готовые файлы18 GB
  • FP8 / INT8рекомендуемвеса 8.1 GB9.4 GB
  • 4-bitвеса 4.5 GB5.5 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 3080 · BF16 — от RTX 4090

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.

    # lofcz/VibeVoice-CSK1
    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 lofcz/VibeVoice-CSK1 --local-dir ~/models/VibeVoice-CSK1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к VibeVoice-CSK1
  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/VibeVoice-ASR

Новые посты про версии VibeVoice-ASR — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

lofcz/VibeVoice-CSK1
Автор
lofcz
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Swanada

Swanada