/ Модель

Характеристики

Лицензия
MIT
Базовая модель
dacvae-watermarked
Опубликована
5 мар 2026

Semantic-DACVAE-Japanese

Обработка аудиоАудио → аудио

Модель реконструирует японскую речь из аудио, используя семантическую дистилляцию для повышения естественности звучания.

0скачиваний за 30 дней9лайковвеса обновлены5 мар 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

Semantic-DACVAE-Japanese — дообученная модель Aratako на базе facebook/dacvae-watermarked для реконструкции японской речи. В ней применена семантическая дистилляция WavLM по мотивам Semantic-VAE и дополнительное обучение на японских речевых данных.

Модель принимает аудио и предназначена для преобразования и реконструкции речи. По оценке UTMOSv2 на двух наборах японских аудиозаписей авторы сообщают о более естественном звучании реконструкций по сравнению с исходной моделью. Авторы также ожидают, что семантическая дистилляция может улучшить эффективность обучения и качество downstream-моделей синтеза речи.

Модель распространяется с лицензией MIT. Оценка качества основана на небольших выборках по 100 записей, одна из которых является частным тестовым набором; результаты не гарантируют аналогичное качество на других данных.

Сценарии применения

  • реконструкция японской речи
  • улучшение естественности восстановленного японского аудио
  • подготовка речевых представлений для обучения японских TTS-моделей

Ограничения

Оценка приведена для небольших выборок по 100 записей, а один тестовый набор является частным; обобщаемость результатов на другие данные не установлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Semantic-DACVAE-Japanese

Semantic-DACVAE-Japanese is a fine-tuned version of facebook/dacvae-watermarked, specifically optimized for Japanese speech.

By incorporating WavLM semantic distillation inspired by the Semantic-VAE paper and performing additional training on Japanese datasets, this model achieves more natural reconstructions and higher subjective quality for Japanese audio compared to the original base model.

Furthermore, according to the Semantic-VAE paper, this semantic distillation approach should also improve the training efficiency and performance of downstream TTS models.

🌟 Overview

📊 Evaluation

We evaluated the model using the UTMOSv2 metric to measure the quality of the reconstructed audio. Our model demonstrates a clear improvement in naturalness over the original base model across both tested datasets.

1. Emilia-YODAS (Japanese Subset)

Tested on 100 samples (not included in training) from the Japanese subset of amphion/Emilia-Dataset.

Audio SourceMean UTMOSv2 (n=100)
Original Audio2.2099
facebook/dacvae-watermarked2.2841
Aratako/Semantic-DACVAE-Japanese2.4812

2. Private Test Dataset (Japanese)

Tested on 100 private Japanese speech samples.

Audio SourceMean UTMOSv2 (n=100)
Original Audio2.0322
facebook/dacvae-watermarked1.8775
Aratako/Semantic-DACVAE-Japanese2.1629

🚀 Quick Start

Installation

First, set up your environment and install the official repository:

# Create a virtual environment
uv venv --python=3.10

# Install the official dacvae package
uv pip install git+https://github.com/facebookresearch/dacvae

Inference

Below is a basic example of inference.

import soundfile as sf
import torch
import torchaudio
from audiotools import AudioSignal
from dacvae import DACVAE
from huggingface_hub import hf_hub_download

# 1. Load the model
model = DACVAE.load(hf_hub_download(repo_id="Aratako/Semantic-DACVAE-Japanese", filename="weights.pth")).eval()

# Disable/bypass the default watermark since this model was fine-tuned without it
model.decoder.alpha = 0.0
model.decoder.watermark = lambda x, message=None, d=model.decoder: d.wm_model.encoder_block.forward_no_conv(x)

# 2. Load and preprocess audio
wav_np, sr = sf.read("input.wav", dtype="float32")
wav = torch.from_numpy(wav_np.T) if wav_np.ndim == 2 else torch.from_numpy(wav_np).unsqueeze(0)
wav = torchaudio.functional.resample(wav.mean(0, keepdim=True), sr, model.sample_rate)

signal = AudioSignal(wav.unsqueeze(0), model.sample_rate)
signal.normalize(-16.0)
signal.ensure_max_of_audio()
x = signal.audio_data.float()  # (1, 1, T)

# 3. Encode and Decode
with torch.no_grad():
    z = model.encoder(model._pad(x))
    z, _ = model.quantizer.in_proj(z).chunk(2, dim=1)
    y = model.decode(z)[0].cpu()

# 4. Save reconstructed audio
sf.write("recon.wav", y.squeeze(0).numpy(), model.sample_rate)

📜 Acknowledgements

🖊️ Citation

@misc{semantic-dacvae-japanese,
  author = {Chihiro Arata},
  title = {Semantic-DACVAE-Japanese: Audio VAE for Japanese Speech},
  year = {2026},
  publisher = {Hugging Face},
  journal = {Hugging Face repository},
  howpublished = {\url{https://huggingface.co/Aratako/Semantic-DACVAE-Japanese}}
}

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
96adcf1

0 моделей