флагманская модель для верификации и распознавания дикторов
schedule 2 мин чтения
Новая модель univ_full_eres2conformer_xl из библиотеки FlaxSpeaker решает задачу идентификации и верификации голоса по аудиозаписям. Она создана на архитектуре ERes2Conformer (XL) с пулингом catp (Attentive Temporal Pooling — механизм взвешенного усреднения временных признаков в речи) и обучена на огромной универсальной базе из 12 193 спикеров и 1,7 млн чистых реплик. На выходе модель выдает компактный вектор признаков (эмбеддинг) размерностью 256, по которому можно точно определить, принадлежит ли голос конкретному человеку. Модель полезна разработчикам голосовых систем, биометрических сервисов и приложений для анализа аудио.
Ключевые особенности
Высокая точность: низкий уровень ошибок EER (Equal Error Rate) на бенчмарках VoxCeleb1 и LibriSpeech.
Аудиофронтенд: использует 80-мерные мел-спектрограммы с анализом энергии голоса (VAD) и нормализацией (CMVN).
Обучение на мультиксеноре: в тренировочный набор вошли VoxCeleb, CN-Celeb и LibriSpeech с аугментациями шумами и изменением скорости.
Эффективность: содержит около 64.3 млн параметров в инференс-режиме и поддерживает экспорт в TFLite.
Что можно сделать
Верификация диктора: сравнить две аудиозаписи, чтобы проверить, говорит ли один и тот же человек.
Извлечение эмбеддингов: получить векторное представление голоса из файла формата FLAC или WAV для кластеризации или поиска.
Биометрическая защита: применить модель в системах контроля доступа по голосу для мобильных или серверных приложений.
Интеграция в пайплайны: использовать библиотеку flaxspeaker в Python-скриптах для обработки потокового или файлового аудио.
Пример
Пример кода для загрузки модели и верификации голоса через Python API:
from flaxspeaker import load_pretrained
model = load_pretrained("wq2012/univ_full_eres2conformer_xl")
emb = model.extract_embedding("path/to/utterance.flac")
score = model.verify("path/to/enroll.flac", "path/to/test.flac")
print(f"Embedding shape: {emb.shape}, Verification score: {score:.4f}")
ПодробнееБенчмарки: VoxCeleb1-O EER 0.44%, LibriSpeech test-clean EER 0.52% (однорепликовый режим). Параметры: 64 376 300 инференс-параметров (энкодер + головы скоринга). Обучение: 145 000 шагов градиентного спуска с батчем 512, seed 42. Требования: библиотека flaxspeaker >= 0.7.0, поддержка JAX/Flax.
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.
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.
# wq2012/univ_full_eres2conformer_xl — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve wq2012/univ_full_eres2conformer_xl --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
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.
Комментарии