/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
EMOVASpeechTokenizer · dense
Базовая модель
emova_speech_tokenizer
Библиотека
transformers
Опубликована
23 дек 2024

emova_speech_tokenizer_hf

ЭмбеддингиТекст → embedding3 профессии

Официальный речевой токенизатор EMOVA преобразует китайскую и английскую речь в дискретные единицы для мультимодального выравнивания и управления стилем речи.

92скачиваний за 30 дней2лайкавеса обновлены8 окт 2025

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

Это официальная версия токенизатора речи EMOVA, разработанного для обучения моделей серии EMOVA. Модель использует архитектуру EMOVASpeechTokenizer и представлена в формате safetensors; её основа — Emova-ollm/emova_speech_tokenizer. В описании заявлена лицензия Apache-2.0.

Токенизатор преобразует китайскую и английскую речь в дискретные речевые единицы: модуль SPIRAL кодирует фонетическую и тональную информацию, а FSQ квантует результат. Отдельный декодер на основе VITS восстанавливает речевой сигнал из единиц. Семантическое содержание отделено от акустического стиля, что поддерживает выравнивание речи с представлениями языковой модели и управление голосом, высотой тона и эмоциями — всего заявлено 24 сочетания стиля.

Модель предназначена прежде всего для токенизации речи и использования речевых токенов при обучении и работе мультимодальных моделей. README подтверждает китайский и английский языки. Для запуска описана установка окружения EMOVA; проверена работа на GPU NVIDIA A800/H20 и NPU Ascend 910B3, а доступность на других устройствах не подтверждена.

Сценарии применения

  • преобразование английской речи в дискретные речевые токены
  • токенизация китайской речи с сохранением тональной информации
  • подготовка речевых токенов для обучения мультимодальных моделей
  • управление говорящим, высотой тона и эмоцией при работе с речевыми единицами
  • восстановление речи из дискретных токенов с помощью декодера VITS

Ограничения

README подтверждает поддержку только английского и китайского языков. Работа проверена на NVIDIA A800/H20 и Ascend 910B3; совместимость с другими устройствами не подтверждена.

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

EMOVA Speech Tokenizer HF

UPDATE:

The speech tokenizer for EMOVA will continue to be developed as an independent open-source project. Please follow the link: DSTK

🤗 HuggingFace | 📄 Paper | 🌐 Project-Page | 💻 Github | 💻 EMOVA-Github

Model Summary

This repo contains the official speech tokenizer used to train the EMOVA series of models. With a semantic-acoustic disentangled design, it not only facilitates seamless omni-modal alignment among vision, language and speech modalities, but also empowers flexible speech style controls including speakers, emotions and pitches. We summarize its key advantages as:

  • Discrete speech tokenizer: it contains a SPIRAL-based speech-to-unit (S2U) tokenizer to capture both phonetic and tonal information of input speeches, which is then discretized by a finite scalar quantizater (FSQ) into discrete speech units, and a VITS-based unit-to-speech (U2S) de-tokenizer to reconstruct speech signals from speech units.

  • Semantic-acoustic disentanglement: to seamlessly align speech units with the highly semantic embedding space of LLMs, we opt for decoupling the semantic contents and acoustic styles of input speeches, and only the former are utilized to generate the speech tokens.

  • Biligunal tokenization: EMOVA speech tokenizer supports both Chinese and English speech tokenization with the same speech codebook.

  • Flexible speech style control: thanks to the semantic-acoustic disentanglement, EMOVA speech tokenizer supports 24 speech style controls (i.e., 2 speakers, 3 pitches, and 4 emotions). Check the Usage for more details.

Installation

Clone this repo and create the EMOVA virtual environment with conda. Our code has been validated on NVIDIA A800/H20 GPU & Ascend 910B3 NPU servers. Other devices might be available as well.

  1. Initialize the conda environment:

    git clone https://github.com/emova-ollm/EMOVA_speech_tokenizer.git
    conda create -n emova python=3.10 -y
    conda activate emova
    
  2. Install the required packages (note that instructions are different from GPUs and NPUs):

    # upgrade pip and setuptools if necessary
    pip install -U pip setuptools
    
    cd emova_speech_tokenizer
    pip install -e . # for NVIDIA GPUs (e.g., A800 and H20)
    pip install -e .[npu] # OR for Ascend NPUS (e.g., 910B3)
    

Usage

[!NOTE]
Before this, remember to finish Installation first!

EMOVA speech tokenizer can be easily deployed using the 🤗 HuggingFace transformers API!

import random
from transformers import AutoModel
import torch

### Uncomment if you want to use Ascend NPUs
# import torch_npu
# from torch_npu.contrib import transfer_to_npu

# load pretrained model
model = AutoModel.from_pretrained("Emova-ollm/emova_speech_tokenizer_hf", torch_dtype=torch.float32, trust_remote_code=True).eval().cuda()

# S2U
wav_file = "./examples/s2u/example.wav"
speech_unit = model.encode(wav_file)
print(speech_unit)

# U2S
emotion = random.choice(['angry', 'happy', 'neutral', 'sad'])
speed = random.choice(['normal', 'fast', 'slow'])
pitch = random.choice(['normal', 'high', 'low'])
gender = random.choice(['female', 'male'])
condition = f'gender-{gender}_emotion-{emotion}_speed-{speed}_pitch-{pitch}'

output_wav_file = f'./examples/u2s/{condition}_output.wav'
model.decode(speech_unit, condition=condition, output_wav_file=output_wav_file)

Citation

If you find our model/code/paper helpful, please consider citing our papers and staring us!

@article{chen2024emova,
  title={Emova: Empowering language models to see, hear and speak with vivid emotions},
  author={Chen, Kai and Gou, Yunhao and Huang, Runhui and Liu, Zhili and Tan, Daxin and Xu, Jing and Wang, Chunwei and Zhu, Yi and Zeng, Yihan and Yang, Kuo and others},
  journal={arXiv preprint arXiv:2409.18042},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
EMOVASpeechTokenizer
Ревизия весов
6d02634

0 моделей