К содержимому
Аудио

DialogueSidon2

разделение и очистка диалогов двух спикеров

2 мин чтенияобновлено

Модель принимает запись разговора двух людей в плохом качестве (телефонная линия, шум, реверберация, сжатие кодеками) и возвращает две отдельные чистые аудиодорожки с частотой 24 кГц — по одной на каждого говорящего. В основе лежит дообученная facebook/w2v-bert-2.0 (13 слоёв) и декодер SSL-VAE (вариационный автоэнкодер на латентных представлениях речи) от sarulab-speech. В отличие от первой версии DialogueSidon, которая генерировала представления через диффузию в 30 шагов, новинка извлекает обоих спикеров за один прямой проход (forward pass) и работает полностью детерминированно. Подойдёт исследователям речи и разработчикам пайплайнов транскрибации телефонных звонков или интервью.

Ключевые особенности

  • Один проход без диффузии: модель считывает латентные представления сразу из микса, поэтому работает быстрее предшественника и на одинаковом входе всегда выдаёт идентичный результат.
  • Восстановление до 24 кГц: не просто разделяет голоса, но и убирает шумы, эхо и артефакты телефонных кодеков.
  • Обработка длинных записей: фрагменты до 30 секунд обрабатываются целиком, а более длинные — окнами по 30 секунд с перекрытием 5 секунд и выравниванием дорожек по корреляции.
  • Готовый инференс без лишних зависимостей: в репозитории есть экспортированные через torch.export файлы и скрипт ds2_infer.py, которому нужны только torch и torchaudio.

Что можно сделать

  • Разделить запись телефонного звонка или интервью на два отдельных моно-трека перед подачей в ASR (систему распознавания речи) для точной диаризации и транскрибации.
  • Очистить зашумлённые архивные диалоги и привести их к единой частоте дискретизации 24 кГц для исследовательских датасетов.
  • Встроить локальный инференс на CPU или CUDA в свой Python-пайплайн с помощью ds2_infer.py без установки основного репозитория Sidon.

Пример

import sys, soundfile as sf, torch
from huggingface_hub import snapshot_download

model_dir = snapshot_download("sarulab-speech/DialogueSidon2",
    allow_patterns=["separator.pt2", "vae_decoder.pt2", "metadata.json", "ds2_infer.py"])
sys.path.insert(0, model_dir)
import ds2_infer

models = ds2_infer.load(model_dir, "cuda")
audio, rate = sf.read("dialogue.wav", always_2d=True)
speakers = ds2_infer.separate(torch.from_numpy(audio.T).float(), rate, models)
sf.write("speakers.wav", speakers.T.numpy(), ds2_infer.SAMPLE_RATE)
ПодробнееМетрики: на реальных записях OpenDialog WER (Whisper large-v3) снизился с 14,07% до 9,95%, а качество речи NISQA выросло с 3,568 до 3,819; на Switchboard WER улучшился с 14,43% до 12,71%.
Совместимость: экспортированные программы .pt2 собраны под torch==2.8.0 и torchaudio==2.8.0, поддерживается запуск на CUDA и CPU.
Ограничения: модель рассчитана строго на двух спикеров, порядок выходных дорожек произвольный; на длинных записях спикеры могут поменяться каналами, если один из них молчит всё 5-секундное перекрытие.
Лицензия: CC BY-NC 4.0 (только исследования и некоммерческое использование; запрещено клонирование голоса и идентификация личности).
Обсудить Telegram 2 41

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 2.1 GB · готовые файлы2.8 GB
  • BF16веса 1.0 GB1.6 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.8 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.

    # sarulab-speech/DialogueSidon2
    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 sarulab-speech/DialogueSidon2 --local-dir ~/models/DialogueSidon2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к DialogueSidon2
  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

facebook/w2v-bert-2.0

Новые посты про версии w2v-bert-2.0 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

sarulab-speech/DialogueSidon2
Автор
sarulab-speech
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

412

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии