/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
1 июн 2026

milfer_denoiser_v1.0

Обработка аудиоАудио → аудио

Экспериментальная модель PyTorch восстанавливает речь в ухудшенных аудиозаписях и выдаёт моно WAV с частотой 48 кГц.

0скачиваний за 30 дней6лайковвеса обновлены1 июн 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

MILFER — самостоятельная модель на PyTorch для восстановления аудио с сохранением разборчивости речи. Она извлекает признаки речи с помощью SSL-модели и восстанавливает сигнал нейросетевым декодером. Контрольная точка milfer_lora100h_step001000 настроена так, чтобы лучше сохранять характер звука в игровых диалогах.

Модель принимает аудиофайлы в форматах, поддерживаемых torchaudio, смешивает их в моно и перед извлечением признаков пересчитывает частоту дискретизации до 16 кГц. Результат — монофонический WAV с частотой 48 кГц. Для инференса используется PyTorch; при наличии CUDA по умолчанию включается FP16.

В оценке на синтетически ухудшенных записях MILFER улучшила речевые метрики и оценки качества для профиля noisy_room. Проверка на чистых клипах показывает, что модель может менять исходный сигнал; она также способна менять атмосферу, эффекты, музыку и неречевые звуки. Разработчик характеризует чекпойнт как экспериментальный. Лицензия указана как other, конкретные условия использования в карточке не раскрыты.

Сценарии применения

  • очистка речи от шума и реверберации
  • восстановление диалогов с узкополосной или искажённой записью
  • улучшение разборчивости игровых диалогов
  • обработка аудиозаписей с шумом и ограниченной полосой частот

Ограничения

Модель может изменять атмосферу, эффекты, музыку и другие неречевые звуки; на уже чистом аудио также возможны изменения. Очень длинные файлы требуют больше памяти в зависимости от длительности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MILFER

MILFER is a standalone PyTorch audio-to-audio model for speech-preserving audio restoration. It takes an input audio file, extracts SSL speech features, and reconstructs a 48 kHz waveform with the bundled neural decoder.

The bundled checkpoint is milfer_lora100h_step001000.

Highlights

  • Pure PyTorch inference, no TorchScript runtime required.
  • CUDA fp16 inference by default when a CUDA GPU is available.
  • Accepts common audio formats supported by torchaudio, including wav and mp3.
  • Emits a mono 48 kHz wav file.
  • Tuned to preserve more game/dialogue sound character than the base checkpoint.

Quick Start

python milfer.py input.wav output.wav

For CUDA fp16:

python milfer.py input.mp3 output.wav --device cuda --precision fp16

For repeated inference in the same Python process, compile the feature model and run one warm-up pass first:

python milfer.py input.mp3 output.wav --device cuda --precision fp16 --compile-feature

The helper script does the same thing with the local Python environment:

./run.sh input.wav output.wav --device cuda --precision fp16

Files

milfer.py
run.sh
weights/
  decoder_state_dict.pt
  feature_predictor_config.json
  feature_predictor_state_dict.pt
  milfer_config.json

Requirements

Tested with:

  • Python 3.10
  • PyTorch 2.6.0 + CUDA 12.4
  • torchaudio 2.6.0
  • transformers
  • soundfile
  • descript-audio-codec

Clean Input Check

The table below measures how much MILFER changes already-clean clips. It is a sanity check, not a denoising benchmark.

Evaluation set: prompts_5kh, 250 mono wav clips, 44.1 kHz, 19.0 minutes total. Higher is better for STOI, eSTOI, PESQ-WB, and MOS predictors. Lower is better for LSD and clipped samples.

SubsetFilesSTOIeSTOIPESQ-WBLSD 16 kHzClipped Samples
all clips2500.92410.87192.165311.825 dB0.0006%
duration >= 1 s2320.92880.87672.191711.683 dB0.0005%

No-reference MOS predictors on the original and processed outputs:

SubsetAudioUTMOSDistillMOSNISQA-TTS
all clipsoriginal2.99983.93923.6311
all clipsMILFER2.97413.80803.7021
all clipsdelta-0.0258-0.1313+0.0710
duration >= 1 soriginal3.01203.98293.6603
duration >= 1 sMILFER2.99773.85543.7483
duration >= 1 sdelta-0.0143-0.1275+0.0880

Very short clips can make intelligibility metrics unstable, so the filtered row excludes clips shorter than one second.

Degraded-Input Evaluation

For a cleaner-style benchmark, the clean prompts were synthetically degraded and then processed with MILFER. Metrics compare either the degraded input or the MILFER output against the original clean prompt. The table uses the duration >= 1 s subset: 232 clips, 18.8 minutes total.

Degradation profiles:

  • noisy_room: additive noise, room response, light band-limiting.
  • radio_clip: band-pass channel, saturation, quantization, hiss.
  • mixed_hard: noise, reverb, band-limiting, downsampling, saturation.

Full-reference metrics:

ProfileSTOIeSTOIPESQ-WBLSD 16 kHz
noisy_room degraded0.88300.71281.210418.121 dB
noisy_room MILFER0.90200.81451.775713.174 dB
noisy_room delta+0.0190+0.1017+0.5653-4.947 dB
mixed_hard degraded0.86170.70791.185123.143 dB
mixed_hard MILFER0.89480.80681.732113.904 dB
mixed_hard delta+0.0331+0.0989+0.5470-9.239 dB
radio_clip degraded0.91850.85281.876519.167 dB
radio_clip MILFER0.90400.83971.941214.237 dB
radio_clip delta-0.0145-0.0131+0.0647-4.930 dB

No-reference MOS predictors:

ProfileUTMOSDistillMOSNISQA-TTS
noisy_room degraded1.42202.76251.8844
noisy_room MILFER3.03243.78963.7557
noisy_room delta+1.6104+1.0270+1.8713
mixed_hard degraded1.37092.47962.1738
mixed_hard MILFER2.94783.70443.7243
mixed_hard delta+1.5769+1.2248+1.5505
radio_clip degraded1.49012.95552.5081
radio_clip MILFER2.84143.78173.5840
radio_clip delta+1.3513+0.8262+1.0759

Notes

  • Input audio is mixed to mono and resampled to 16 kHz for feature extraction.
  • Output is written as mono 48 kHz PCM wav.
  • Very long files can be processed, but peak memory depends on input duration.
  • This is an experimental checkpoint. It can still change ambience, effects, music, and non-speech sounds.

License

License is not specified in this package. Set the final license field before publishing if you need redistributable model weights.

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
65951b5

0 моделей