К содержимому
Дайджест

Who и I: голоса в подкасте и сортировка фото

Better Stack·25 октября 2026·11:44
текст даёт основное можно повторить
Открыть на YouTube
Практический обзор двух локальных моделей Desert Ant Labs: Who размечает спикеров в аудио, I сортирует фотографии прямо в браузере или на телефоне.

Что в ролике

Если нужно быстро разметить большой подкаст или расчистить фотоархив, две новые локальные AI-модели от Desert Ant Labs делают это без загрузки данных в облако. Модель Who выполняет диаризацию — определяет, кто говорит и когда, но не расшифровывает текст и не знает имён, выдавая номера спикеров и метки времени с точностью до 10 мс. Заявлено, что на M5 Pro она работает в 950 раз быстрее реального времени, а 57-минутный подкаст NASA разметила за 6,4 секунды; в тесте автора на M2 Max запись с четырьмя голосами размечена за 11,9 секунды. На эталонном датасете AMI ошибка Who — 12,6% против 13,1% у PyAnnote, но на звонках о доходности с 20 спикерами она проигрывает: 27,7% против 7,3%. Модель I классифицирует фото одним вызовом: определяет тип — скриншот, чек, документ или обычный снимок, проставляет теги по 558 категориям, оценку эстетики, закрытые глаза и дубликаты. В браузерном демо 105 фотографий разобраны за 16,1 секунды, а заявленная скорость на нейродвижке M6 — 5,5 мс на снимок. Обе модели в бете и под лицензией source-available: бесплатно до 100 000 активных устройств в месяц и с ежемесячной проверкой лицензии.

Практика

Что получишь
Вы сможете понять, как без API-затрат и загрузки данных разметить длинную запись по говорящим и расчистить фотоархив, а также где взять готовые приложения для теста.
Первый шаг
Начать с GitHub-репозиториев из описания: запустить Who Said What на Mac для аудио или веб-приложение для папки фото.
Цифры
  • —11,9 секунды — столько Who размечал запись с четырьмя спикерами на M2 Max, это 393-кратная скорость реального времени
  • —105 фотографий — столько изображений браузерное демо рассортировало за 16,1 секунды
  • —27,7% против 7,3% — ошибка Who на звонках о доходности с 20 спикерами по сравнению с PyAnnote
  • —100 000 активных устройств в месяц — бесплатный лимит по лицензии Desert Ant Labs
Честно
Автор собрал оба приложения сам и показывает только их работу, ссылки на репозитории есть в описании; код и процесс установки в видео не разбираются. Ролик выходит на канале Better Stack, автор просит подписаться и упоминает их подкаст — это контент-маркетинг, прямой рекламы продукта нет. Обе модели в бете и под source-available лицензией: бесплатно до 100 000 активных устройств в месяц, но SDK шлёт ежемесячную проверку лицензии.
Если слова незнакомы — 3 терминов

Связки из этого ролика

2 шт.

Компоненты

6 шт.

Формат: сборка на живом примере · для практикующих · уверенность разметки 0.85 · источник