/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
xcodec2 · dense
Опубликована
7 янв 2025

xcodec2

Обработка аудиоАудио → аудио3 профессии

XCodec2 кодирует речь в аудиотокены для задач моделирования и синтеза речи.

3 686скачиваний за 30 дней102лайкавеса обновлены25 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

XCodec2 — модель-токенизатор речи, разработанная HKUST Audio. Она кодирует речевой сигнал в последовательность аудиотокенов и предназначена для использования в задачах моделирования и синтеза речи, включая обучение и инференс моделей семейства LLaSA. В карточке указана аудио-в-аудио задача; модель принимает аудио, а результатом её кодековой обработки служат аудиотокены.

Модель относится к архитектуре XCodec2 и распространяется в форматах PyTorch и Safetensors. В README приведены инструкции по установке пакета xcodec2 и упомянуты варианты версии для инференса кодека и тонкой настройки LLaSA. Репозиторий опубликован под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • кодирование речевого сигнала в токены для языковой модели
  • подготовка аудиоданных для обучения моделей синтеза речи
  • использование аудиокодека при инференсе моделей LLaSA

Ограничения

Лицензия CC BY-NC 4.0 запрещает коммерческое использование. README отмечает, что версия пакета 0.1.5 тестировалась автором, но для более стабильного выравнивания при обучении кодека рекомендована версия 0.1.3.

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

arXiv

Update (2026-06-25): A Transformers-native version of Xcodec2 has been released here!

Update (2025-02-13): Add Llasa finetune instruction.

Update (2025-02-07): Our paper has been released!

Paper

LLaSA: Scaling Train Time and Inference Time Compute for LLaMA based Speech Synthesis

Codec Does Matter: Exploring the Semantic Shortcoming of Codec for Audio Language Model (AAAI 2025, xcodec 1.0)

Getting Started with XCodec2 on Hugging Face

XCodec2 is a speech tokenizer that offers the following key features:

  1. Single Vector Quantization
  2. 50 Tokens per Second
  3. Multilingual Speech Semantic Support and High-Quality Speech Reconstruction

To use xcodec2, ensure you have it installed. You can install it using the following command:

conda create -n xcodec2 python=3.9
conda activate xcodec2
pip install xcodec2  (Use `xcodec2==0.1.5` for codec inference and llasa fine-tuning. I’ve removed unnecessary dependencies, and it works fine in my testing. However,  I’m not sure if other problems may arise. If you prefer more stability, I recommend using `xcodec2==0.1.3` which accurately aligns during my codec training.)
 

Then,

import torch
import soundfile as sf
from transformers import AutoConfig

 
from xcodec2.modeling_xcodec2 import XCodec2Model
 
model_path = "HKUSTAudio/xcodec2"  
 
model = XCodec2Model.from_pretrained(model_path)
model.eval().cuda()   

 
wav, sr = sf.read("test.wav")   
wav_tensor = torch.from_numpy(wav).float().unsqueeze(0)  # Shape: (1, T)

 
with torch.no_grad():
   # Only 16khz speech
   # Only supports single input. For batch inference, please refer to the link below.
    vq_code = model.encode_code(input_waveform=wav_tensor)
    print("Code:", vq_code )  

    recon_wav = model.decode_code(vq_code).cpu()       # Shape: (1, 1, T')

 
sf.write("reconstructed.wav", recon_wav[0, 0, :].numpy(), sr)
print("Done! Check reconstructed.wav")

If you want to train your own xcodec2, batch inference, or large-scale code extraction, the code is released here.

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.

Класс архитектуры
XCodec2Model
Ревизия весов
e412427

0 моделей