/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
dolphin · dense
Библиотека
pytorch
Опубликована
16 сен 2025

Dolphin

Обработка аудиоАудио → аудио3 профессии

Dolphin выделяет речь целевого человека из шумного аудио, используя звук и движения губ на видео.

566скачиваний за 30 дней19лайковвеса обновлены22 июл 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

Dolphin — эффективная модель аудиовизуального разделения речи, разработанная командой JusperLee. Она выделяет речь целевого человека из смешанного или шумного аудио, используя акустические признаки и движения губ. В карточке заявлены результаты на VoxCeleb2 и ускорение инференса более чем в шесть раз при сокращении числа параметров более чем на 50% по сравнению с предыдущими методами.

Модель объединяет свёрточный аудиоэнкодер, видеокодер DP-LipCoder с дискретными семантическими токенами, механизм Global-Local Attention на основе TDANet и аудиодекодер. На вход подаются моноаудио с частотой 16 кГц и видеокадры области губ с частотой 25 кадров в секунду; выход — выделенная аудиодорожка. Модель рассчитана на английскую речь и сценарии с видимым лицом, например видеоконференции, слуховые устройства и автомобильные системы.

Для оптимальной работы нужны фронтальный или почти фронтальный вид лица и достаточно качественное освещение; сильные перекрытия лица и недостаточная освещённость ухудшают результат. Код проекта указан под лицензией Apache-2.0, но лицензия весов другая: карточка не подтверждает разрешение на коммерческое или производственное применение.

Сценарии применения

  • выделение речи собеседника из шума на видеоконференции
  • улучшение разборчивости речи для слуховых устройств с камерой
  • извлечение речи водителя в автомобильной системе
  • подавление фонового шума в AR/VR-общении
  • разделение речи на мобильных и встраиваемых устройствах

Ограничения

Для оптимальной работы требуется фронтальный или почти фронтальный вид лица; низкая освещённость и сильные перекрытия ухудшают качество. Модель обучена на английской речи, а карточка не подтверждает коммерческое или производственное использование весов.

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

Dolphin: Efficient Audio-Visual Speech Separation

License and Provenance Notice

Important: The Apache-2.0 license in the GitHub repository applies to Dolphin-owned source code. It does not automatically apply to the released model weights.

The current checkpoint includes a DP-LipCoder video encoder trained using feature targets produced by AV-HuBERT. No separate permission from Meta is included with this release. Pending written clarification of the relevant upstream terms and completion of our training-data provenance review, we do not represent this checkpoint as cleared for commercial or production use.

Before using the model artifacts, read MODEL_PROVENANCE.md and the AV-HuBERT License Agreement.

Model Overview

Dolphin is an efficient audio-visual speech separation model that extracts target speech from noisy environments by combining acoustic and visual (lip movement) cues. It achieves state-of-the-art performance while being 6× faster and using 50% fewer parameters than previous methods.

🔗 Links: 📄 Paper | 💻 Code | 🎮 Demo | 🌐 Project Page

Key Features

  • 🎯 Balanced Quality & Efficiency: SOTA separation quality without iterative refinement
  • 🔬 DP-LipCoder: Lightweight video encoder with discrete audio-aligned semantic tokens
  • 🌐 Global-Local Attention: Multi-scale attention for long-range context and fine-grained details
  • 🚀 Edge-Friendly: >50% parameter reduction, >2.4× lower MACs, >6× faster inference

Performance

VoxCeleb2 Benchmark:

MetricValue
SI-SNRi14.6dB
SDRi15.1dB
PESQ3.17

Quick Start

Installation

pip install torch torchvision torchaudio
pip install huggingface_hub

Inference Example

import torch
from huggingface_hub import hf_hub_download
import yaml


# Download model and config
config_path = hf_hub_download(repo_id="JusperLee/Dolphin", filename="conf.yml")
model_path = hf_hub_download(repo_id="JusperLee/Dolphin", filename="best_model.pth")


# Load model (you need to import Dolphin class from the repo)
with open(config_path) as f:
    config = yaml.safe_load(f)


model = Dolphin(**config['model'])
model.load_state_dict(torch.load(model_path, map_location='cpu'))
model.eval()


# Prepare inputs
# audio: [batch, samples] - 16kHz audio
# video: [batch, frames, 1, height, width] - grayscale lip frames
audio_mixture = torch.randn(1, 64000)  # 4 seconds at 16kHz
video_frames = torch.randn(1, 100, 1, 88, 88)  # 4s at 25fps, 88x88 resolution


# Separate speech
with torch.no_grad():
    separated_audio = model(audio_mixture, video_frames)

Complete Pipeline with Video Input

For end-to-end video processing with face detection and tracking, see our inference script:

git clone https://github.com/JusperLee/Dolphin.git
cd Dolphin
python inference.py \
    --input video.mp4 \
    --output ./output \
    --speakers 2 \
    --config checkpoints/vox2/conf.yml

Model Architecture

Components

  1. DP-LipCoder (Video Encoder)

    • Dual-path architecture: visual compression + semantic encoding
    • Vector quantization for discrete lip semantic tokens
    • Knowledge distillation from AV-HuBERT
    • Only 8.5M parameters
  2. Audio Encoder

    • Convolutional encoder for time-frequency representation
    • Extracts multi-scale acoustic features
  3. Global-Local Attention Separator

    • Single-pass TDANet-based architecture
    • Global Attention (GA): Coarse-grained self-attention for long-range dependencies
    • Local Attention (LA): Heat diffusion attention for noise suppression
    • No iterative refinement needed
  4. Audio Decoder

    • Reconstructs separated waveform from enhanced features

Input/Output Specifications

Inputs:

  • audio: Mixed audio waveform, shape [batch, samples], 16kHz sampling rate
  • video: Grayscale lip region frames, shape [batch, frames, 1, 88, 88], 25fps

Output:

  • separated_audio: Separated target speech, shape [batch, samples], 16kHz

Training Details

  • Dataset: VoxCeleb2 (2-speaker mixtures at 0dB SNR)
  • Training: ~200K steps with Adam optimizer
  • Augmentation: Random mixing, noise addition, video frame dropout
  • Loss: SI-SNR (Scale-Invariant Signal-to-Noise Ratio)

Use Cases

  • 🎧 Hearing Aids: Camera-based speech enhancement
  • 💼 Video Conferencing: Noise suppression with visual context
  • 🚗 In-Car Assistants: Driver speech extraction
  • 🥽 AR/VR: Immersive communication in noisy environments
  • 📱 Edge Devices: Efficient deployment on mobile/embedded systems

Limitations

  • Requires frontal or near-frontal face view for optimal performance
  • Works best with 25fps video input
  • Trained on English speech (may need fine-tuning for other languages)
  • Performance degrades with severe occlusions or low lighting

Citation

@misc{li2025dolphin,
  title={Efficient Audio-Visual Speech Separation with Discrete Lip Semantics and Multi-Scale Global-Local Attention}, 
  author={Kai Li and Kejun Gao and Xiaolin Hu},
  year={2025},
  eprint={2509.23610},
  archivePrefix={arXiv},
  primaryClass={cs.SD},
  url={https://arxiv.org/abs/2509.23610}
}

Licensing

Dolphin-owned source code in the GitHub repository is licensed under Apache-2.0. The released model weights are not licensed under Apache-2.0 by this model card. The current checkpoint is not represented as cleared for commercial or production use. See MODEL_PROVENANCE.md for the current provenance and usage notice.

Acknowledgments

Built with inspiration from IIANet and SepReformer. Thanks to the Hugging Face team for hosting!

Contact


Developed by the Audio and Speech Group at Tsinghua University 🎓

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
Dolphin
Ревизия весов
348a88f

0 моделей