/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
22 янв 2025

TIGER-DnR

Обработка аудиоАудио → аудио3 профессии

TIGER-DnR разделяет смешанную речь и помогает выделять голоса говорящих из записей с шумом и реверберацией.

65 217скачиваний за 30 дней23лайкавеса обновлены22 янв 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

TIGER-DnR — модель разделения речи, разработанная исследователями Университета Цинхуа. Она предназначена для восстановления чистых речевых сигналов из аудиозаписей, где одновременно звучат два говорящих, присутствуют шум и реверберация. Архитектура Time-Frequency Interleaved Gain Extraction and Reconstruction Network (TIGER) делит частотный спектр на полосы и сочетает многомасштабное внимание с моделированием контекста по времени и частоте.

Авторы характеризуют TIGER как лёгкую модель с менее чем миллионом параметров; в испытаниях на EchoSet она показала качество разделения, близкое к TF-GridNet, при меньших вычислительных затратах. Репозиторий содержит предварительно обученные веса в формате safetensors, а карточка указывает поддержку английского языка. Модель принимает аудио и выдаёт аудио; в README приведены сценарии разделения речи и тестирования на смеси DnR. Лицензия — Apache-2.0.

Сценарии применения

  • разделение голосов двух одновременно говорящих людей
  • выделение речи из шумной аудиозаписи
  • очистка речевых смесей с реверберацией
  • восстановление речи в сложных акустических условиях

Ограничения

В описании показана работа на задаче разделения речи, включая смеси двух говорящих; результаты и характеристики привязаны к тестированию на EchoSet. Указана поддержка английского языка.

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

TIGER is a lightweight model for speech separation which effectively extracts key acoustic features through frequency band-split, multi-scale and full-frequency-frame modeling.

💥 News

  • [2025-01-23] We release the code and pre-trained model of TIGER! 🚀
  • [2025-01-23] We release the TIGER model and the EchoSet dataset! 🚀

📜 Abstract

In this paper, we propose a speech separation model with significantly reduced parameter size and computational cost: Time-Frequency Interleaved Gain Extraction and Reconstruction Network (TIGER). TIGER leverages prior knowledge to divide frequency bands and applies compression on frequency information. We employ a multi-scale selective attention (MSA) module to extract contextual features, while introducing a full-frequency-frame attention (F^3A) module to capture both temporal and frequency contextual information. Additionally, to more realistically evaluate the performance of speech separation models in complex acoustic environments, we introduce a novel dataset called EchoSet. This dataset includes noise and more realistic reverberation (e.g., considering object occlusions and material properties), with speech from two speakers overlapping at random proportions. Experimental results demonstrated that TIGER significantly outperformed state-of-the-art (SOTA) model TF-GridNet on the EchoSet dataset in both inference speed and separation quality, while reducing the number of parameters by 94.3% and the MACs by 95.3%. These results indicate that by utilizing frequency band-split and interleaved modeling structures, TIGER achieves a substantial reduction in parameters and computational costs while maintaining high performance. Notably, TIGER is the first speech separation model with fewer than 1 million parameters that achieves performance close to the SOTA model.

🚀 Quick Start

Test with Pre-trained Model

# Test using speech
python inference_speech.py --audio_path test/mix.wav

# Test using DnR
python inference_dnr.py --audio_path test/test_mixture_466.wav

Train with EchoSet

python audio_train.py --conf_dir configs/tiger.yml

Evaluate with EchoSet

python audio_test.py --conf_dir configs/tiger.yml

📖 Citation

@article{xu2024tiger,
  title={TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation},
  author={Xu, Mohan and Li, Kai and Chen, Guo and Hu, Xiaolin},
  journal={arXiv preprint arXiv:2410.01469},
  year={2024}
}

📧 Contact

If you have any questions, please feel free to contact us via tsinghua.kaili@gmail.com.

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
b7a5956

0 моделей