/ Модель

Характеристики

Лицензия
MIT
Опубликована
27 янв 2026

MioCodec-25Hz-44.1kHz

Обработка аудиоАудио → аудио3 профессии

Нейронный аудиокодек Aratako для низкобитрейтного кодирования, восстановления и преобразования речи с частотой дискретизации 44,1 кГц.

161скачиваний за 30 дней14лайковвеса обновлены3 фев 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

MioCodec-25Hz-44.1kHz — нейронный аудиокодек Aratako для представления и восстановления речи, рассчитанный на spoken language modeling. Он основан на реализации Kanade-Tokenizer и использует ветвь дискретных токенов содержания речи с частотой 25 Гц и глобальное непрерывное embedding-представление акустических характеристик, включая голос говорящего и условия записи. Модель принимает и восстанавливает аудио с частотой дискретизации 44,1 кГц; заявленный битрейт составляет 341 бит/с, словарь содержит 12 800 токенов, размер модели — 118 млн параметров без вокодера.

Кодек и MioVocoder совместно дообучены сквозным образом для повышения качества реконструкции и уменьшения артефактов. Разделение содержания речи и глобальных акустических характеристик позволяет использовать модель для кодирования и декодирования речи, а также для преобразования голоса без предварительного обучения на голосе целевого говорящего. Метаданные указывают поддержку английского, японского, нидерландского, французского, немецкого, итальянского, польского, португальского и испанского языков; README подробно описывает обучение на японских и английских данных. Лицензия — MIT.

Сценарии применения

  • кодирование речи с низким битрейтом
  • восстановление речи из дискретных аудиотокенов
  • преобразование голоса с переносом голоса говорящего по образцу
  • создание аудиопредставлений для языковых моделей речи

Ограничения

README приводит заявленные характеристики и сценарии, но не содержит независимых сравнительных оценок качества. Размер 118 млн параметров указан без вокодера.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MioCodec-25Hz-44.1kHz: High-Fidelity 44.1kHz Neural Audio Codec for Efficient Spoken Language Modeling

GitHub

MioCodec-25Hz-44.1kHz is a high-fidelity neural audio codec designed for efficient spoken language modeling. Based on the Kanade-Tokenizer implementation, MioCodec extends the capabilities to 44.1 kHz sampling rates, providing superior audio quality while maintaining a very low token rate.

For a lightweight and faster alternative, see MioCodec-25Hz-24kHz.

🌟 Overview

MioCodec decomposes speech into two distinct components:

  1. Content Tokens: Discrete representations that primarily capture linguistic information and phonetic content ("what" is being said) at a low frame rate (25 Hz).
  2. Global Embeddings: A continuous vector representing broad acoustic characteristics ("how")—including speaker identity, recording environment, and microphone traits.

By disentangling these elements, MioCodec is ideal for Spoken Language Modeling.

Key features

  • High-Resolution: Supports 44.1 kHz audio (compared to the standard 24 kHz in Kanade).
  • Ultra-Low Bitrate: Achieves high-fidelity reconstruction at only 341 bps.
  • End-to-End Optimization: Unlike original two-stage approaches, the codec and vocoder are jointly fine-tuned to minimize waveform artifacts and jitter.

📊 Model Comparison

ModelToken RateVocab SizeBit RateSample RateSSL EncoderVocoderParametersHighlights
MioCodec-25Hz-44.1kHz25 Hz12,800341 bps44.1 kHzWavLM-base+MioVocoder (Jointly Tuned)118M (w/o vocoder)High-quality, high sample rate
MioCodec-25Hz-24kHz25 Hz12,800341 bps24 kHzWavLM-base+- (iSTFTHead)132MLightweight, fast inference
kanade-25hz25 Hz12,800341 bps24 kHzWavLM-base+Vocos 24kHz118M (w/o vocoder)Original 25Hz model
kanade-12.5hz12.5 Hz12,800171 bps24 kHzWavLM-base+Vocos 24kHz120M (w/o vocoder)Original 12.5Hz model

🚀 Quick Start

Installation

# Install via pip
pip install git+https://github.com/Aratako/MioCodec

# Or using uv
uv add git+https://github.com/Aratako/MioCodec

Basic Inference

Basic usage for encoding and decoding audio:

from miocodec import MioCodec, load_audio
import soundfile as sf

# 1. Load model
model = MioCodec.from_pretrained("Aratako/MioCodec-25Hz-44.1kHz").eval().cuda()

# 2. Load audio
waveform = load_audio("input.wav", sample_rate=model.config.sample_rate).cuda()

# 3. Encode Audio
features = model.encode(waveform)

# 4. Decode to Waveform
resynth = model.decode(features=features)

# 5. Save
sf.write("output.wav", resynth.cpu().numpy(), samplerate=model.config.sample_rate)

Voice Conversion (Zero-shot)

MioCodec allows you to swap speaker identities by combining the content tokens of a source with the global embedding of a reference.

source = load_audio("source_content.wav", sample_rate=model.config.sample_rate).cuda()
reference = load_audio("target_speaker.wav", sample_rate=model.config.sample_rate).cuda()

# Perform conversion
vc_wave = model.voice_conversion(source, reference)
sf.write("converted.wav", vc_wave.cpu().numpy(), samplerate=model.config.sample_rate)

🏗️ Training Methodology

To achieve high-fidelity 44.1kHz reconstruction, MioCodec was trained in three phases. Phase 1 and 2 strictly follow the original Kanade paper to establish feature alignment and spectral sharpness, while Phase 3 introduces a novel end-to-end waveform refinement stage.

Phase 1: Feature Alignment

This phase corresponds to the "Main Training Phase" described in the original paper. The model is trained to minimize both Mel-spectrogram loss and SSL feature reconstruction loss (using WavLM-base+). The vocoder is not utilized; the loss is computed directly on the predicted mel-spectrograms.

Phase 2: Adversarial Alignment

Following the "GAN Post-Training" phase of the original paper, we introduce adversarial training to sharpen the spectrograms. In this stage, the content branch is frozen, and only the decoder and global branch are updated. The model is trained using Mel-spectrogram loss combined with GAN losses (Adversarial + Feature Matching) applied in the mel domain.

Phase 3: End-to-End Waveform Refinement

To address residual artifacts such as jitter or tremor often found in mel-only training, we introduced a third phase that shifts the domain to raw waveforms.

In this phase, Vocoder is unfrozen, allowing the Codec Decoder and Vocoder to be fine-tuned jointly in an end-to-end manner. Similar to Phase 2, the content branch remains frozen. The training objective minimizes waveform artifacts using objectives adapted from XCodec2 and Inworld TTS-1, with specific parameters tuned for 44.1 kHz:

  • Multi-Resolution Mel Spectrogram Loss: Using window lengths of [32, 64, 128, 256, 512, 1024, 2048, 4096].
  • Multi-Period Discriminator (MPD): Using periods of [2, 3, 5, 7, 11, 17, 23, 37].
  • Multi-Scale STFT Discriminator (MS-STFTD): Using FFT sizes of [216, 348, 568, 920, 1494, 2414, 3908, 6328].
  • RMS Loss: Adopted from Inworld TTS-1 to stabilize energy and volume.

📚 Training Data

The training datasets are listed below:

LanguageApprox. HoursDatasetUsed in Phases
Japanese~15,000hVarious public HF datasets1, 2, 3
English~500hLibriheavy-HQ1, 2, 3
English~4000hMLS-Sidon1, 2
English~9000hHiFiTTS-23
German~1,950hMLS-Sidon1, 2
Dutch~1,550hMLS-Sidon1, 2
French~1,050hMLS-Sidon1, 2
Spanish~900hMLS-Sidon1, 2
Italian~240hMLS-Sidon1, 2
Portuguese~160hMLS-Sidon1, 2
Polish~100hMLS-Sidon1, 2

📜 Acknowledgements

🖊️ Citation

@misc{miocodec-25hz-44.1khz,
  author = {Chihiro Arata},
  title = {MioCodec: High-Fidelity Neural Audio Codec for Efficient Spoken Language Modeling},
  year = {2026},
  publisher = {Hugging Face},
  journal = {Hugging Face repository},
  howpublished = {\url{https://huggingface.co/Aratako/MioCodec-25Hz-44.1kHz}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
c42d82c

0 моделей