test(diarization): добавлен стенд сравнения CPU-моделей
- Зачем: - требовалось сравнить облегченные модели диаризации на старом CPU без изменения рабочей конфигурации. - Что: - добавлен воспроизводимый и возобновляемый прогон матрицы Pyannote FP32/INT8 с WeSpeaker и TitaNet. - зафиксированы измерения 108 ячеек, ограничения эксперимента и решение сохранить модель по умолчанию. - локальные записи в каталоге tmp исключены из индекса Git. - Проверка: - .venv/bin/python -m pytest. - /tmp/local-transcriber-ruff-bin/ruff check scripts/benchmarks/diarization_calibration.py tests/test_diarization_calibration.py.
This commit is contained in:
Dmitry Dementiev committed
1 parent
95f295c37c
commit
1e14f2687a
8 files changed
+2704
-234
No files matched your search
@@ -0,0 +1,255 @@
|
||||
# Облегчённые модели диаризации: Pyannote INT8 и TitaNet small
|
||||
|
||||
**Дата:** 2026-08-29
|
||||
|
||||
**Статус:** исследовательская записка. Код, зависимости и рабочая конфигурация
|
||||
не менялись.
|
||||
|
||||
**Метод:** использованы только первичные публичные источники: документация,
|
||||
исходный код и выпуски sherpa-onnx, карточки владельцев моделей и исходная
|
||||
публикация TitaNet. Приватные медиа и опорные транскрипты Hypescribe не
|
||||
открывались.
|
||||
|
||||
## Краткий вывод
|
||||
|
||||
Sherpa-onnx официально документирует все четыре сочетания Pyannote
|
||||
Segmentation 3.0 FP32/INT8 с 3D-Speaker и `nemo_en_titanet_small.onnx`. В
|
||||
опубликованном разработчиками примере производительности переход FP32 → INT8
|
||||
сокращает
|
||||
RTF с 0,297 до 0,241 с 3D-Speaker и с 0,119 до 0,110 с TitaNet small. Но это
|
||||
одна 56,861-секундная китайская контрольная запись, известные четыре говорящих,
|
||||
CPU-провайдер и по одному потоку на сегментацию и эмбеддинги. Данных о
|
||||
конкретном CPU, повторностях, разбросе и качестве на русском материале страница
|
||||
не приводит. Поэтому цифры подтверждают совместимость и потенциал, но не
|
||||
заменяют локальный тест. Условия и результаты взяты с [официальной
|
||||
страницы sherpa-onnx](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html).
|
||||
|
||||
Официальные файлы выпусков доступны под следующими именами:
|
||||
|
||||
- `sherpa-onnx-pyannote-segmentation-3-0.tar.bz2` содержит
|
||||
`model.onnx` (FP32) и `model.int8.onnx`;
|
||||
- `nemo_en_titanet_small.onnx` поставляется отдельным ONNX-файлом.
|
||||
|
||||
GitHub API не публикует `digest` ни для одного из этих файлов. Ниже зафиксированы
|
||||
SHA-256 байтов, скачанных 2026-08-29 с официальных URL, и точные размеры,
|
||||
совпавшие с GitHub API. Эти хеши пригодны для закрепления текущей поставки, но
|
||||
получены в этой проверке и не заявлены разработчиками как контрольные суммы.
|
||||
|
||||
## Официальная поддержка и точные артефакты
|
||||
|
||||
### Pyannote Segmentation 3.0: FP32 и INT8 в одном архиве
|
||||
|
||||
Официальная документация sherpa-onnx называет модель
|
||||
`sherpa-onnx-pyannote-segmentation-3-0`, указывает, что она конвертирована из
|
||||
[`pyannote/segmentation-3.0`](https://huggingface.co/pyannote/segmentation-3.0),
|
||||
ссылается на [официальный каталог скриптов
|
||||
конвертации](https://github.com/k2-fsa/sherpa-onnx/tree/master/scripts/pyannote/segmentation)
|
||||
и показывает оба файла, `model.onnx` и `model.int8.onnx`, в одном архиве
|
||||
([документация и команда загрузки](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#download-the-model)).
|
||||
|
||||
Точное имя и URL:
|
||||
|
||||
```text
|
||||
sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
|
||||
https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-segmentation-models/sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
|
||||
```
|
||||
|
||||
На момент проверки [GitHub Releases
|
||||
API](https://api.github.com/repos/k2-fsa/sherpa-onnx/releases/tags/speaker-segmentation-models)
|
||||
сообщает размер файла `6 958 444` байта,
|
||||
`created_at=2024-10-08T12:54:09Z`, `updated_at=2024-10-08T12:54:10Z` и
|
||||
`digest=null`; сам [официальный выпуск](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-segmentation-models)
|
||||
содержит этот файл, а документация даёт тот же URL загрузки.
|
||||
|
||||
Проверенное содержимое архива:
|
||||
|
||||
| Файл | Размер | SHA-256 |
|
||||
|---|---:|---|
|
||||
| `model.onnx` | 5 992 913 байт | `220ad67ca923bef2fa91f2390c786097bf305bceb5e261d4af67b38e938e1079` |
|
||||
| `model.int8.onnx` | 1 540 506 байт | `d582f4b4c6b48205de7e0643c57df0df5615a3c176189be3fc461e9d18827b5d` |
|
||||
|
||||
Архив также содержит `LICENSE`, `README.md` и скрипты экспорта/проверки. Это
|
||||
согласуется с опубликованным sherpa-onnx листингом: примерно 5,7 МБ для FP32 и
|
||||
1,5 МБ для INT8
|
||||
([официальный листинг](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#download-the-model)).
|
||||
|
||||
### NeMo TitaNet small: отдельная модель эмбеддингов
|
||||
|
||||
Официальная страница примеров загружает `nemo_en_titanet_small.onnx` из выпуска
|
||||
моделей распознавания говорящих и использует его как `--embedding.model` вместе с
|
||||
обоими вариантами Pyannote
|
||||
([FP32](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#nemo-model-onnx),
|
||||
[INT8](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#nemo-model-int8-onnx)).
|
||||
Отдельная [страница моделей NeMo в sherpa-onnx](https://k2-fsa.github.io/sherpa/onnx/nemo/index.html)
|
||||
перечисляет это точное имя среди поддерживаемых моделей эмбеддингов говорящих.
|
||||
|
||||
Точное имя и URL:
|
||||
|
||||
```text
|
||||
nemo_en_titanet_small.onnx
|
||||
https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/nemo_en_titanet_small.onnx
|
||||
```
|
||||
|
||||
Опечатка `recongition` является частью официальной метки выпуска и URL; исправлять
|
||||
её на `recognition` нельзя. На момент проверки [GitHub Releases
|
||||
API](https://api.github.com/repos/k2-fsa/sherpa-onnx/releases/tags/speaker-recongition-models)
|
||||
сообщает размер файла
|
||||
`40 257 283` байта, `created_at=2024-10-14T07:03:02Z`,
|
||||
`updated_at=2024-10-14T07:03:03Z` и `digest=null`; [выпуск
|
||||
sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-recongition-models)
|
||||
предупреждает, что лицензия у каждой модели своя и её нужно искать в исходном
|
||||
репозитории модели.
|
||||
|
||||
## Контекст опубликованных результатов
|
||||
|
||||
### Пример производительности sherpa-onnx
|
||||
|
||||
Все четыре числа ниже опубликованы в одном примере sherpa-onnx. В нём используется
|
||||
`0-four-speakers-zh.wav` длительностью 56,861 с, явно задано
|
||||
`--clustering.num-clusters=4`, а распечатанная конфигурация показывает CPU
|
||||
провайдер и `num_threads=1` отдельно для сегментации и эмбеддингов. Страница не
|
||||
указывает модель CPU, не описывает прогрев, число повторов или дисперсию и не
|
||||
публикует метрику качества против эталонной разметки
|
||||
([полный пример](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#sherpa-onnx-pyannote-segmentation-3-0)).
|
||||
|
||||
| Segmentation | Embedding | Время | RTF |
|
||||
|---|---|---:|---:|
|
||||
| Pyannote FP32 `model.onnx` | 3D-Speaker ERes2Net base | 16,870 с | 0,297 |
|
||||
| Pyannote INT8 `model.int8.onnx` | 3D-Speaker ERes2Net base | 13,679 с | 0,241 |
|
||||
| Pyannote FP32 `model.onnx` | NeMo TitaNet small | 6,756 с | 0,119 |
|
||||
| Pyannote INT8 `model.int8.onnx` | NeMo TitaNet small | 6,231 с | 0,110 |
|
||||
|
||||
По опубликованным RTF мы пересчитали относительное ускорение. INT8 ускоряет
|
||||
сочетание с 3D-Speaker примерно на 18,9%, а сочетание с TitaNet small —
|
||||
примерно на 7,6%. Замена 3D-Speaker на TitaNet small при сохранении FP32 даёт
|
||||
около 59,9%, а сочетание TitaNet small + INT8 относительно исходного FP32 +
|
||||
3D-Speaker — около 63,0%. Здесь сравнивается только время выполнения на
|
||||
указанной записи. По этим цифрам нельзя судить о DER, переносимости ускорения
|
||||
на другой CPU или качестве на русском языке
|
||||
([исходные времена и RTF](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#sherpa-onnx-pyannote-segmentation-3-0)).
|
||||
|
||||
### Что означает «small» в публикации TitaNet
|
||||
|
||||
Исходная статья определяет TitaNet-S как вариант с 256 каналами и 6,4 млн
|
||||
параметров. Для очищенного набора VoxCeleb1 в задаче верификации говорящих она
|
||||
сообщает EER 1,15% при сравнении по косинусному сходству. Для диаризации авторы
|
||||
используют эталонный детектор голосовой активности (oracle SAD), кластеризацию
|
||||
NME-SC, допуск 0,25 с и исключают перекрытия из подсчёта DER. При
|
||||
известном числе говорящих DER TitaNet-S равен 6,37 / 2,00 / 2,22 / 1,11% на
|
||||
NIST-SRE-2000 / AMI-Lapel / AMI-MixHeadset / CH109; при оценённом числе —
|
||||
5,49 / 2,30 / 1,97 / 1,42%. Это тест архитектуры и исходной контрольной точки
|
||||
NeMo в другом конвейере диаризации, не тест ONNX-экспорта внутри
|
||||
sherpa-onnx
|
||||
([первичная публикация TitaNet](https://arxiv.org/abs/2110.04410)).
|
||||
|
||||
Карточка NVIDIA NGC подтверждает назначение `titanet_small` для верификации
|
||||
говорящих, диаризации и извлечения 192-мерных эмбеддингов, но её
|
||||
раздел Performance содержит внутренне противоречивую фразу «TitaNet-L» рядом с
|
||||
6,4 млн параметров. Поэтому для чисел TitaNet-S выше использована исходная
|
||||
статья вместо этой фразы карточки
|
||||
([официальная карточка NGC](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/titanet_small)).
|
||||
|
||||
## Происхождение моделей и лицензии
|
||||
|
||||
### Pyannote Segmentation 3.0
|
||||
|
||||
Исходная карточка Pyannote описывает 10-секундный mono-вход 16 кГц и powerset
|
||||
выход из семи классов: тишина, три одиночных говорящих и три пары перекрывающихся
|
||||
говорящих. Модель обучил Séverin Baroudi в `pyannote.audio` 3.0.0 на сочетании
|
||||
AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse
|
||||
([карточка исходной модели](https://huggingface.co/pyannote/segmentation-3.0)).
|
||||
|
||||
Исходный репозиторий помечает модель лицензией MIT и требует принять условия
|
||||
доступа к его файлам на Hugging Face. Публичный архив sherpa-onnx включает
|
||||
собственный `LICENSE` с текстом MIT; в проверенном архиве copyright указан как
|
||||
`Copyright (c) 2022 CNRS`, тогда как текущий LICENSE исходного репозитория
|
||||
указывает 2023. Тип лицензии совпадает, но при дальнейшей поставке следует
|
||||
сохранять именно `LICENSE` из закреплённого архива
|
||||
([лицензия и условия исходной модели](https://huggingface.co/pyannote/segmentation-3.0),
|
||||
[текущий LICENSE upstream](https://huggingface.co/pyannote/segmentation-3.0/blob/main/LICENSE)).
|
||||
|
||||
### NeMo TitaNet small
|
||||
|
||||
Sherpa-onnx публикует [скрипт экспорта](https://github.com/k2-fsa/sherpa-onnx/blob/master/scripts/nemo/speaker-verification/export-onnx.py),
|
||||
который загружает `EncDecSpeakerLabelModel.from_pretrained(model_name="titanet_small")`,
|
||||
экспортирует `nemo_en_titanet_small.onnx` и добавляет ONNX metadata с framework
|
||||
`nemo`, language `English`, source URL NGC, sample rate и размерностью embedding.
|
||||
[README каталога экспорта](https://github.com/k2-fsa/sherpa-onnx/tree/master/scripts/nemo/speaker-verification)
|
||||
также прямо называет NGC `titanet_small` источником модели.
|
||||
|
||||
Карточка NGC называет актуальную опубликованную версию `1.19.0`, обновлённую
|
||||
7 июня 2023 года, и описывает обучение на VoxCeleb 1/2, RIR noise, Fisher,
|
||||
Switchboard и LibriSpeech. Реализация NeMo связывает имя `titanet_small` с
|
||||
checkpoint `titanet-s.nemo` версии `1.19.0`
|
||||
([карточка NVIDIA NGC](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/titanet_small),
|
||||
[официальный реестр pretrained-моделей NeMo](https://github.com/NVIDIA-NeMo/Speech/blob/main/nemo/collections/asr/models/label_models.py)).
|
||||
|
||||
NGC говорит, что использование модели регулируется лицензией NeMo; ссылка из
|
||||
карточки ведёт на Apache License 2.0. Сам файл выпуска sherpa-onnx — одиночный
|
||||
ONNX-файл без соседнего LICENSE, а описание выпуска перекладывает проверку
|
||||
лицензии на пользователя. Поэтому при включении модели в приложение нужно
|
||||
зафиксировать происхождение NVIDIA NeMo/TitaNet-S и приложить лицензию Apache-2.0,
|
||||
а не считать общий LICENSE sherpa-onnx лицензией весов
|
||||
([секция Licence карточки NGC](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/titanet_small),
|
||||
[LICENSE NeMo](https://github.com/NVIDIA-NeMo/Speech/blob/main/LICENSE),
|
||||
[предупреждение release sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/releases/tag/speaker-recongition-models)).
|
||||
|
||||
Происхождение нельзя воспроизвести полностью: текущий `run.sh` sherpa-onnx
|
||||
устанавливает NeMo из ветки `main` без закрепления коммита или метки, затем
|
||||
вызывает экспорт
|
||||
для `titanet_small`. Он документирует процесс, но сам по себе не доказывает,
|
||||
из какого коммита NeMo был создан файл от 2024-10-14. Для побайтовой
|
||||
воспроизводимости следует считать официально скачанный ONNX плюс SHA-256 ниже
|
||||
канонической единицей, пока разработчики не опубликуют данные закреплённой сборки
|
||||
([официальный `run.sh`](https://github.com/k2-fsa/sherpa-onnx/blob/master/scripts/nemo/speaker-verification/run.sh)).
|
||||
|
||||
## Проверенные SHA-256
|
||||
|
||||
Файлы скачаны 2026-08-29 напрямую с двух URL выше в `/tmp`; размер каждого
|
||||
сверен с полем `size` GitHub Releases API. Архив дополнительно проверен командой
|
||||
`bzip2 -t`. Поле `digest` в API было `null` для обоих файлов, поэтому ни один из
|
||||
следующих хешей нельзя называть опубликованной контрольной суммой.
|
||||
|
||||
```text
|
||||
24615ee884c897d9d2ba09bb4d30da6bb1b15e685065962db5b02e76e4996488 sherpa-onnx-pyannote-segmentation-3-0.tar.bz2
|
||||
ad4a1802485d8b34c722d2a9d04249662f2ece5d28a7a039063ca22f515a789e nemo_en_titanet_small.onnx
|
||||
```
|
||||
|
||||
Внутри проверенного Pyannote-архива:
|
||||
|
||||
```text
|
||||
220ad67ca923bef2fa91f2390c786097bf305bceb5e261d4af67b38e938e1079 model.onnx
|
||||
d582f4b4c6b48205de7e0643c57df0df5615a3c176189be3fc461e9d18827b5d model.int8.onnx
|
||||
```
|
||||
|
||||
Команда проверки после загрузки:
|
||||
|
||||
```bash
|
||||
sha256sum \
|
||||
sherpa-onnx-pyannote-segmentation-3-0.tar.bz2 \
|
||||
nemo_en_titanet_small.onnx
|
||||
```
|
||||
|
||||
## Результат локальной проверки
|
||||
|
||||
[Прогон на Core i7-6820HQ](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)
|
||||
не подтвердил опубликованное ускорение INT8: сочетание с WeSpeaker выиграло
|
||||
только 2,1%, а с TitaNet стало на 5,7% медленнее. TitaNet ускорил обработку в
|
||||
среднем на 24,3%, но потребовал примерно на 147–149 МиБ больше RSS и не прошёл
|
||||
приёмку общего автоматического порога.
|
||||
|
||||
## Практический вердикт
|
||||
|
||||
1. Для минимального эксперимента можно заменить только путь Pyannote
|
||||
`model.onnx` на `model.int8.onnx`: это официально поставляемый вариант того же
|
||||
архива и не требует менять модель эмбеддингов
|
||||
([официальный пример INT8](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#d-speaker-model-int8-onnx)).
|
||||
2. Для большего потенциального ускорения sherpa-onnx официально принимает
|
||||
`nemo_en_titanet_small.onnx` с обоими вариантами Pyannote, но опубликованный
|
||||
пример производительности не измеряет DER и не относится к русской речи
|
||||
([официальные примеры NeMo](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html#nemo-model-onnx)).
|
||||
3. Для воспроизводимой поставки следует закрепить точные URL, размеры и SHA-256,
|
||||
хранить MIT LICENSE из Pyannote-архива и явно приложить сведения об авторстве
|
||||
и лицензии Apache-2.0 для TitaNet/NeMo. До локальной калибровки нельзя
|
||||
переносить ни коэффициент ускорения, ни порог кластеризации, ни качество с
|
||||
опубликованной контрольной записи на целевые русскоязычные созвоны.
|
||||
Reference in new issue
Block a user