DiarizationLM-Gemma-4-E4B-v1: локальная правка меток говорящих после ASR

Что она делает

На вход нужен уже полученный текст с предварительными метками спикеров: распознавание речи и первичное разбиение говорящих должны быть выполнены другим компонентом. Модель пытается поправить границы реплик, короткие междометия и принадлежность слов говорящим; вспомогательная функция transfer_llm_completion переносит результат обратно на исходную расшифровку. Поэтому модель может быть полезна после локального ASR и диаризации при обработке интервью и совещаний, но сама по себе аудиофайл не расшифрует. s1 s4

Что доступно для локального запуска

В закреплённой ревизии есть model.safetensors (15 992 595 884 байта), DiarizationLM-Gemma-4-E4B-v1-q4_k_m.gguf (5 300 582 656 байт) и DiarizationLM-Gemma-4-E4B-v1-q4_0.gguf (5 154 939 136 байт). Это размеры файлов на диске, не минимальные требования к RAM или VRAM. Карточка рекомендует Q4_K_M и показывает пример с llama.cpp; код для обработки текста опубликован в google/speaker-id. Без локального прогона на выбранном runtime и своих данных мы не называем этот пример проверенным рецептом или результатом теста Modelium. s1 s2 s4

Репозиторий чекпойнта маркирован Apache-2.0 и содержит текст LICENSE; исходная Gemma 4 E4B тоже отмечена Apache-2.0, а репозиторий speaker-id — Apache-2.0. Доступные веса, исходный код обработки и разрешения лицензии — разные свойства: перед коммерческим внедрением проверяйте лицензии всех компонентов собственного ASR/диаризационного конвейера отдельно. s1 s5 s6

Как читать авторские оценки

В карточке авторы приводят сравнение с исходным конвейером USM + Turn-to-Diarize на четырёх тестах: Fisher (172 разговора), Callhome (20), ICSI (3 встречи) и AMI (16 встреч). По заявлению авторов, WDER после обработки ниже исходного на всех четырёх наборах; например, Fisher — 5,32% против 2,99%, Callhome — 7,74% против 4,92%. Это авторские, а не независимые замеры; сами тесты построены на конкретной исходной системе распознавания и диаризации. На ICSI всего три встречи. Эти цифры нельзя переносить на русскую речь, собственный ASR или другую разметку без отдельной проверки. s1

Практический следующий шаг: сначала собрать локальную цепочку ASR + первичная диаризация, затем сравнить исходные и исправленные метки на размеченных записях своего языка и домена. Для структуры такого конвейера см. разбор локальной диаризации встречи. Исправленные метки всё равно нужно сверять с аудио, особенно при перекрытии реплик. s1 s4