Характеристики

Лицензия: Apache 2.0
Библиотека: torch
Опубликована: 29 дек 2025

Ссылки

Hugging Face

E-VAE-44100-25hz

ESpeech

Обработка аудиоАудио → аудио

Стриминговый аудио-VAE кодирует речь с частотой 44,1 кГц в компактное латентное представление для систем синтеза речи.

0скачиваний за 30 дней8лайковвеса обновлены18 янв 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

E-VAE-44100-25hz — стриминговый аудио-VAE, разработанный для задач синтеза речи. Он кодирует аудио с частотой дискретизации 44,1 кГц в компактное латентное представление с частотой обновления 25 Гц, которое можно использовать в системах синтеза речи.

Архитектура модели — полностью каузальная свёрточная сеть Conv1d с активациями Snake; указаны коэффициенты понижения частоты [2, 3, 6, 7, 7]. В README приведены средние метрики PESQ 3,072, UTMOS 3,052 и V/UV F1 0,975. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

кодирование аудио для конвейера синтеза речи
сжатие речевого сигнала в латентное представление
потоковая обработка аудио в системах синтеза речи

Ограничения

В README не приведены сведения о наборах данных и условиях оценки метрик; применимость качества к другим типам аудио не описана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

E-VAE-44100-25hz

E-VAE — это высококачественный стриминговый аудио-VAE

Модель разработана для задач синтеза речи. Она сжимает аудио 44.1 кГц в компактное латентное представление с частотой обновления 25 Гц.

Метрики качества

Metric	Value (Mean)	Min / Max	Description
PESQ	3.072	1.076 / 3.933	Perceptual Evaluation of Speech Quality (Wideband)
UTMOS	3.052	1.335 / 3.813	MOS prediction for naturalness
V/UV F1	0.975	-	Точность определения тональных/шумовых участков

Технические характеристики

Sample Rate: 44100 Hz
Frame Rate (Latent): 25 Hz
Downsampling Factors: [2, 3, 6, 7, 7]
Архитектура: Fully Causal Conv1d + Snake Activations.

Использование

В файлах репозитория используйте ebanyvae.py и ebanyvae.pt

Как запустить

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

GPU в ailist

Универсальный рантайм · torch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов: ad572be