/ Модель

Характеристики

Лицензия
MIT
Базовая модель
MioCodec-25Hz-24kHz
Опубликована
14 фев 2026

MioCodec-25Hz-44.1kHz-v2

Обработка аудиоАудио → аудио3 профессии

Лёгкий нейронный аудиокодек Aratako, который кодирует речь в совместимые токены 25 Гц и восстанавливает её с частотой дискретизации 44,1 кГц.

604 тыс.скачиваний за 30 дней14лайковвеса обновлены14 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-v2 — дообученная версия нейронного аудиокодека MioCodec от Aratako для сжатия и реконструкции речи. Кодек преобразует аудио в поток дискретных токенов с частотой 25 Гц и восстанавливает звук с частотой дискретизации 44,1 кГц. Модель содержит около 133 млн параметров и использует энкодер WavLM-base+; декодер включает блок UpsamplerBlock и активации SnakeBeta для восстановления высокочастотных компонентов.

При дообучении содержательная ветвь была заморожена, поэтому токены совместимы с MioCodec-25Hz-24kHz. Это позволяет использовать кодек для реконструкции речи, а также подключать его при инференсе к TTS-моделям, обученным на токенах версии 24 кГц, чтобы получать аудио 44,1 кГц. README также указывает сценарий zero-shot преобразования голоса с токенами содержания источника и глобальным вектором голоса-образца.

Модель принимает аудио и выдаёт аудио. В метаданных перечислены языки en, ja, nl, fr, de, it, pl, pt, es, ko и zh. Репозиторий распространяется под лицензией MIT. Заявленные в карточке характеристики не включают результаты независимой оценки качества; совместимость с другими TTS-системами зависит от использования совместимого потока токенов.

Сценарии применения

  • кодирование речи в дискретные токены для речевых моделей
  • реконструкция речи из токенов MioCodec
  • повышение частоты дискретизации синтезированной речи до 44,1 кГц
  • подключение к TTS-моделям, обученным на токенах MioCodec 24 кГц
  • zero-shot преобразование голоса по аудиоисточнику и образцу голоса

Ограничения

Для совместимости с TTS-моделями необходимы токены MioCodec 25 Гц. В README не приведены независимые оценки качества реконструкции.

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-v2: Lightweight Neural Audio Codec for Efficient Spoken Language Modeling

GitHub

MioCodec-25Hz-44.1kHz-v2 is an upsampled, high-fidelity version of the MioCodec-25Hz-24kHz model.

By integrating an UpsamplerBlock inspired by Inworld TTS-1 into the decoder, this model reconstructs 44.1 kHz audio from the standard 25 Hz token stream.

🌟 What's New in v2

This model is a fine-tuned version of MioCodec-25Hz-24kHz with the following architectural enhancements:

  • 44.1 kHz Output: Achieves higher audio fidelity compared to the base 24 kHz model.
  • UpsamplerBlock + SnakeBeta: We adopted the UpsamplerBlock architecture from Inworld TTS-1 and enhanced it by integrating SnakeBeta activations. This combination allows the decoder to effectively predict and generate high-frequency components, enabling clear 44.1 kHz reconstruction from the lower-resolution input.
  • Token Compatibility: During fine-tuning, the content branch was frozen. This means the discrete tokens generated by this model are identical to those from MioCodec-25Hz-24kHz. You can take any TTS model trained on the 24kHz tokens and simply swap the codec to this v2 model during inference to instantly upgrade the audio quality to 44.1 kHz.

📊 Model Comparison

ModelToken RateVocab SizeBit RateSample RateSSL EncoderVocoderParametersHighlights
MioCodec-25Hz-44.1kHz-v225 Hz12,800341 bps44.1 kHzWavLM-base+- (iSTFTHead)133MFast inference, good quality
MioCodec-25Hz-24kHz25 Hz12,800341 bps24 kHzWavLM-base+- (iSTFTHead)132MLightweight, fast inference
MioCodec-25Hz-44.1kHz25 Hz12,800341 bps44.1 kHzWavLM-base+MioVocoder (Jointly Tuned)118M (w/o vocoder)High-quality, high sample rate
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 MioCodecModel, load_audio
import soundfile as sf

# 1. Load model
model = MioCodecModel.from_pretrained("Aratako/MioCodec-25Hz-44.1kHz-v2").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 (directly, no vocoder needed)
resynth = model.decode(
    content_token_indices=features.content_token_indices,
    global_embedding=features.global_embedding,
)

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

📜 Acknowledgements

🖊️ Citation

@misc{miocodec-25hz-44.1khz-v2,
  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-v2}}
}

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
67faba3

0 моделей