К содержимому
Аудио

LongCap_ICLR

аудио-капшенинг и диаризация длинных записей

2 мин чтенияобновлено

Набор моделей и готовый CLI-инструмент от команды longcap для работы со звуком. Репозиторий включает два отдельных чекпоинта: LongCap для генерации описаний аудиособытий с привязкой ко времени и LongCap_Diar для диаризации (разделения речи по спикерам) с одновременной расшифровкой текста. Поддерживается работа с длинными записями через профиль long и пакетная обработка файлов в форматах WAV и FLAC. Подойдёт разработчикам голосовых сервисов и исследователям аудиоданных.

Ключевые особенности

  • Два специализированных чекпоинта: LongCap возвращает описания событий с таймкодами начала и конца в секундах, а LongCap_Diar разбивает запись на сегменты с меткой спикера и текстом.
  • Пакетная обработка и докачка: вместо одного аудиофайла можно передать JSONL-манифест со списком записей, а при прерывании запуска повторная команда продолжит работу с сохранённого места.
  • Клиент-серверная архитектура: модель поднимается как локальный сервер (в том числе через Docker), а инференс запускается отдельными CLI-командами с выводом результатов в .jsonl.

Что можно сделать

  • Разметить длинные аудиозаписи и подкасты: получить таймкоды реплик каждого участника вместе с расшифровкой речи с помощью LongCap_Diar.
  • Собрать датасет звуковых событий: прогнать архив WAV или FLAC файлов через LongCap с помощью JSONL-манифеста, чтобы автоматически проставить временные метки событий.

Пример

longcap serve --model ../LongCap_Diar --profile long
longcap diarize --audio /path/to/recording.wav \
  --model ../LongCap_Diar --frequency-penalty 0.05 \
  --output outputs/diarization
ПодробнееТребования к железу: Linux x86-64, GPU с поддержкой FP8 и большим объёмом памяти (в карточке указана NVIDIA H100 80 GB), драйвер под CUDA 13.0.
Языки в метаданных: английский (en), китайский (zh).
Установка: Python 3.12, компилятор C/C++, поддерживается запуск в Docker (NVIDIA Container Toolkit, --shm-size=16g).
Обсудить Telegram 0

Запустится ли?

Запустится в FP8 / INT8

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 36 GB · готовые файлы40 GB
  • FP8 / INT8рекомендуемвеса 18 GB20 GB
  • 4-bitвеса 10 GB12 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 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.

    # longcap/LongCap_ICLR
    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 longcap/LongCap_ICLR --local-dir ~/models/LongCap_ICLR
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LongCap_ICLR
  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 LongCap_ICLR — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

longcap/LongCap_ICLR
Автор
longcap
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии