/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
pytorch
Опубликована
27 июн 2026

jepa-q2d2

Обработка аудиоАудио → аудио

Нейронный кодек для сжатия и восстановления речи при битрейте 1,6 кбит/с.

0скачиваний за 30 дней8лайковвеса обновлены26 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

jepa-q2d2 — нейронный кодек речи с низким битрейтом, разработанный авторами репозитория Andy004/jepa-q2d2. Он преобразует аудиосигнал в компактные коды и восстанавливает речь из них: JEPA-энкодер подаёт признаки в геометрический двумерный квантователь Q2D2, а декодер в стиле HiFi-GAN синтезирует аудио. Основная версия работает при 12,5 Гц с размерностью кода 64 и битрейтом 1,6 кбит/с; веса опубликованы в формате Safetensors, для запуска также нужны код из репозитория и конфигурация.

Модель предназначена для сжатия и восстановления речи, в том числе для сценариев передачи или хранения аудио при ограниченной пропускной способности. Она обучалась на английской читаемой речи LibriLight с частотой 24 кГц. В README приведены результаты на фиксированном наборе из 50 высказываний и сравнение с другими кодеками; также показаны признаки межъязыковой и эмоциональной структуры, однако модель не обучалась по языковым или эмоциональным меткам. Лицензия — CC BY 4.0.

В репозитории есть варианты кодека с разными параметрами и отдельный более высокобитрейтный teacher-чекпойнт. Качество и применимость результатов зависят от тестового набора: приведённые метрики ограничены указанным экспериментом, а показатель ESTOI сравним только в рамках описанного авторами конвейера.

Сценарии применения

  • сжатие речи для передачи по каналу с низкой пропускной способностью
  • уменьшение объёма хранимых речевых записей
  • восстановление речи из компактного аудиопредставления
  • эксперименты с низкобитрейтными нейронными аудиокодеками

Ограничения

Обучение проводилось только на английской читаемой речи, а приведённые метрики получены на фиксированном наборе из 50 высказываний. Показатель ESTOI сопоставим только в рамках экспериментального конвейера авторов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

jepa-q2d2

a 1.6 kbps neural speech codec. a jepa (joint-embedding predictive architecture) encoder feeds q2d2, a geometry-aware 2d rhombic-lattice quantizer, and a hifi-gan-style decoder. the main codec is trained without any adversarial loss (a frozen wavlm perceptual loss is used while training the decoder).

models

each folder has pytorch_model.pt, model.safetensors, and config.json.

folderoperating pointquantizerbitratequality
jepa-q2d2-cd64-12.5hz12.5 hz, code dim 64 (main)q2d21.6 kbps (100 tok/s)pesq 2.53, estoi 0.80
jepa-q2d2-sigreg-cd32-25hz25 hz, code dim 32, sigregq2d21.6 kbps (100 tok/s)pesq 2.33, estoi 0.76
teacher-cd128-fsq-12.5hz12.5 hz, code dim 128fsq4.8 kbps (237.5 tok/s)pesq 3.14, estoi 0.87

quality is on a fixed 50-utterance librilight set. estoi is extended stoi, comparable only within this paper's pipeline. the main cd64 model is ahead of encodec at a comparable rate and ahead of mimi on pesq, behind mimi on estoi. the sigreg model is the co-design point: in our runs, the codec at the aggressive 25 hz / cd32 setting collapsed unless the encoder distribution was gaussianized with sigreg. unlike the main model, it was trained with a gan discriminator. the teacher is the higher-rate fsq codec (128 dims with 8 levels each, so 4.8 kbps). a separate cd64 run was distilled from it; the released cd64 model was trained without the distillation loss.

emergent properties

the codec is trained on english read speech only and never sees language or emotion labels. the encoder features still pick up structure it was not supervised on.

cross-lingual: a 5-nn probe on frozen pre-quantization features separates 6 fleurs languages at 0.85 (chance 0.167), ahead of mimi 0.63, encodec 0.61, dac 0.45 and the multilingual ssl models we tried (xls-r 0.75, mhubert-147 0.61). only uncompressed english wav2vec 2.0 base is higher (0.93). cluster nmi against language is higher too (0.26 vs encodec 0.10, dac 0.07). the utterance-disjoint number is the same (0.85).

cross-lingual separability

style and emotion: utterance embeddings separate by speaking style on a hindi 5-class set (angry, excited, neutral, sad, whisper). whisper splits off cleanly and the rest form distinct regions for the jepa encoders, while encodec and dac mix them.

emotion separation

usage

import torch, soundfile as sf
from koe.fast.hf_codec import load_codec_from_hf   # from the github repo

model, info = load_codec_from_hf("main", device="cpu")   # downloads weights from here
print(info)

wav, sr = sf.read("in.wav")                              # mono, resampled to 24 khz internally
x = torch.from_numpy(wav).float().view(1, 1, -1)
z_q = model.encode(x)[0]                                 # discrete q2d2 tokens
recon = model.decode(z_q)                                # 24 khz waveform

model code lives in the github repo. the released checkpoints already include the fine-tuned encoder, so inference needs only these files plus the repo code. the files also hold the stage 1 ema target encoder and predictor (about 121m parameters), which inference does not use.

training data

librilight, english read speech, 24 khz. the cross-lingual structure above is evaluated zero-shot on fleurs.

citation

@misc{shukla2026jepaq2d2,
  title        = {JEPA-Q2D2: A Low-Bitrate Speech Codec with Emergent Cross-Lingual Structure},
  author       = {Shukla, Anant and Anand, Aman and Shakya, Suryansh and Bharti, Vatsal},
  year         = {2026},
  howpublished = {\url{https://github.com/anant-004/jepa-q2d2}},
}

license

cc-by-4.0, released for research use.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
ab41ea6

0 моделей