/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
higgs_audio_v2_tokenizer · dense
Библиотека
transformers
Опубликована
8 окт 2026

open-higgs-tokenizer

Обработка аудиоАудио → аудио

Аудиотокенизатор Higgs Audio V2 кодирует английскую речь в дискретные коды и декодирует их обратно в аудио 24 кГц.

24скачиваний за 30 дней0лайковвеса обновлены8 окт 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

Higgs Audio V2 Tokenizer — аудиотокенизатор команды Higgs audio для преобразования речи в дискретные коды и восстановления аудио из кодов. Архитектура объединяет семантическую ветвь с 7-секционным сверточным экстрактором признаков и 12-слойным трансформерным энкодером, акустический энкодер-декодер в стиле DAC и остаточный векторный квантователь с 8 кодовыми книгами по 1024 записи. Для семантической ветви используется вход 16 кГц с частотой 50 кадров в секунду, акустическая ветвь работает с аудио 24 кГц и частотой 25 кадров в секунду.

Модель предназначена для анализа и сжатия речи, а также для подготовки аудиотокенов на вход речевых языковых моделей; декодер восстанавливает из кодов аудио с частотой 24 кГц. Она ориентирована на английскую речь. На чистых студийных записях качество реконструкции выше, чем на телефонных; результат зависит от акцента и условий записи. Модель не предназначена для идентификации говорящего, клонирования голоса без согласия, музыки или общих звуковых эффектов. Лицензия — Apache-2.0.

Сценарии применения

  • кодирование речи в дискретные токены для речевой языковой модели
  • сжатие речевых данных
  • анализ семантических и акустических кодов речи
  • восстановление 24 кГц аудио из дискретных кодов
  • оценка качества реконструкции речи на целевых акцентах и каналах

Ограничения

Модель ориентирована на английскую речь; качество реконструкции меняется в зависимости от акцента и условий канала, особенно на телефонных записях. Не предназначена для идентификации говорящего, клонирования голоса без согласия, музыки или общих звуковых эффектов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Higgs Audio V2 Tokenizer

Hybrid semantic + acoustic speech tokenizer. Encodes audio to discrete codes and decodes discrete codes to a 24 kHz waveform.

Model Details

PropertyValue
Model typehiggs_audio_v2_tokenizer
ArchitectureHiggsAudioV2TokenizerModel
Developed byHiggs audio team
LicenseApache-2.0
LanguageEnglish

Architecture

ComponentDescription
Semantic branch7-layer strided convolutional feature extractor followed by a 12-layer transformer encoder (hidden size 768, 12 attention heads, intermediate size 3072); 16 kHz input, downsample factor 320, 50 frames/s
Acoustic branchDAC-style convolutional encoder and decoder (hidden size 256, decoder hidden size 1024); downsampling ratios 8, 5, 4, 2, 3; hop length 960 at 24 kHz, 25 frames/s
QuantiserResidual vector quantiser, 8 codebooks, codebook size 1024, codebook dimension 64, no quantiser dropout
FusionLinear projections fc, fc1, fc2 combine semantic and acoustic features before quantisation
Target bitrates0.5, 1, 1.5, 2 kbps

Uses

Direct Use

  • Encoding speech into discrete codes for analysis, compression, or speech language model input.
  • Decoding discrete codes to 24 kHz audio.

Out-of-Scope Use

  • Speaker identification.
  • Voice cloning without consent.
  • Music or general sound effects.

Bias, Risks, and Limitations

  • English-focused model.
  • Reconstruction quality varies with accent and channel conditions.

Recommendations

  • Measure reconstruction on target accents and channel conditions before using the codes.
  • Evaluate decoded audio with a speech recognizer when intelligibility matters.

Model Files and Format

PropertyValue
Filemodel.safetensors
Formatsafetensors, single file, no sharding
File size805,665,628 bytes (805.7 MB, 768.3 MiB)
Tensors527
Tensor dtypefloat32
Parameters201,400,553
Header size63,408 bytes
Metadata{"format": "pt"}
SHA-25651c9b982f4e0d26907eb419ce2346a97b24583f7d30057c585f0847a894b8b6b

Parameter Split

ModuleParameters
semantic_model.*94,370,944
acoustic_encoder.*51,314,496
acoustic_decoder.*20,238,113
encoder_semantic.*14,747,136
decoder_semantic.*16,516,608
quantizer.*2,114,056
fc.*1,049,600
fc1.*787,200
fc2.*262,400

Companion Files

FileDescription
config.jsonModel configuration
preprocessor_config.jsonFeature extractor configuration
LICENSEApache-2.0 license text
WEIGHTS.mdWeight file size and checksum

Training Details

Training Data

PropertyValue
Total audio14,300 hours
LanguageEnglish
Licenseopenly licensed
Sourcesread audiobooks, broadcast news, conversational podcasts, telephone-style recordings
Telephone-style audio~20% of total
Clip length2 to 15 seconds
Filteringoverlapping speakers, clipping

Training Procedure

HyperparameterValue
Weight precisionfloat32
Mixed precisionbfloat16
OptimiserAdamW
Peak learning rate2e-4
Learning rate schedulecosine decay
Warm-up steps4,000
Batch size64 clips (~6.4 minutes of audio)
Training steps310,000
Reconstruction lossreconstruction + multi-scale spectral loss
Codebook loss weight1.0
Commitment loss weight0.25
Semantic distillation loss weight0.5
Best validation step287,000

Checkpoint Size and Throughput

PropertyValue
Checkpoint size805.7 MB
Training throughput~38 audio-hours per wall-clock hour
Selected checkpointbest validation step, 287,000

Evaluation

Testing Data

PropertyValue
Utterances1,850
Audio~4.1 hours
Speakers46, disjoint from training
Clean studio clips925
Telephone-style clips925, simulated narrowband channel effects

Metrics

MetricDefinitionDirection
Mel distanceL1 distance between log-mel spectrogramslower is better
WERword error rate of a fixed reference recognizer on decoded audiolower is better
Speaker similaritycosine similarity of speaker embeddingshigher is better

Results

ConditionMel distanceWER (decoded)Speaker similarity
Clean studio0.424.8%0.91
Telephone-style0.6711.3%0.84

Reference Deltas

ConditionWER increase vs. uncoded audio
Clean studio1.1 percentage points
Telephone-style3.9 percentage points

Codebook Usage

PropertyValue
Codebook entries used~93% per codebook on the test set
First two codebooksmost speech content
Later codebookstimbre and channel noise refinement

Environmental Impact

PropertyValue
Hardware4 x 80 GB accelerators
Hours used212
Cloud providerregional cloud provider (unnamed)
Compute regionEuropean region
Carbon emitted~46 kg CO2eq

Carbon estimates can be reproduced with the Machine Learning Impact calculator from Lacoste et al. (2019).

Technical Specifications

PropertyValue
Model typehiggs_audio_v2_tokenizer
ArchitectureHiggsAudioV2TokenizerModel
Acoustic model typedac
Semantic model typehubert
Semantic feature extractor layers7
Semantic transformer layers12
Codebook loss weight1.0
Commitment loss weight0.25
Codebooks8
Codebook size1024
Codebook dimension64
Quantiser dropout0
Sample rate24000
Semantic sample rate16000
Serialisationsafetensors
FrameworkTransformers 5.3.0.dev0, PyTorch

Model Card Contact

Open an issue on the model repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
HiggsAudioV2TokenizerModel
Ревизия весов
0cbb551

0 моделей