/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
mamba-ssm
Опубликована
8 июл 2026

Realtime-REUSE-whisper-finetune

Обработка аудиоАудио → аудио3 профессии

Дообученная модель NVIDIA Real-time RE-USE улучшает шёпотную и зашумлённую речь для последующего распознавания.

10скачиваний за 30 дней1лайквеса обновлены10 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

Realtime RE-USE — дообученная версия NVIDIA Real-time RE-USE для улучшения шёпота и шумных аудиозаписей перед распознаванием речи. Модель использует свёрточный энкодер, блоки Mamba и свёрточные декодеры; базовая архитектура содержит 12 слоёв и 3,7 млн параметров.

Модель принимает монофонический звук с частотой дискретизации от 8 до 48 кГц и выдаёт улучшенное монофоническое аудио. При дообучении использовались обычная и шёпотная речь, а также записи с фоновым шумом. Задача модели — предварительная обработка звука в конвейерах распознавания речи; она не выполняет само распознавание.

Модель распространяется под лицензией, обозначенной в метаданных как other; конкретные условия следует проверять в репозитории. Поддержка нескольких частот дискретизации и работа с разными типами речи указаны в карточке, но численные оценки качества и задержки не приведены.

Сценарии применения

  • улучшение шёпотной речи перед ASR
  • подавление фонового шума в аудиозаписях
  • предварительная очистка монофонических записей для распознавания речи

Ограничения

Модель улучшает аудио, но не распознаёт речь сама. В README не приведены количественные оценки качества или задержки.

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

Realtime RE-USE — Whisper Finetune

A fine-tuned version of NVIDIA Real-time RE-USE optimised for enhancing whispered speech and noisy recordings in ASR pipelines.

Usage

import torch
from Realtime_REUSE.models.streaming_generator_SEMamba_time_d1_random_layer_ahead_sep_conv import (
    SEMamba_decoder_list,
)

model = SEMamba_decoder_list.from_pretrained("{repo_id}")
model.eval()

Or via the CLI:

python -m scripts.inference_realtime_reuse \
    --input ./noisy_audio/ \
    --output ./enhanced_audio/ \
    --checkpoint {repo_id}/pytorch_model.bin

Model Architecture

PropertyValue
Base modelNVIDIA Real-time RE-USE (SEMamba, 12 layers, 3.7 M params)
ArchitectureConv encoder + Mamba blocks + Conv decoders
Fine-tuning dataWhisper-format speech (normal + whispered + background noise)

Training Details

  • Base checkpoint: NVIDIA Real-time RE-USE USEMamba_12x1_lr_00002_norm_05_vq_067_nfft_320_hop_160_NRIR_012_pha_0005_com_04_early_005_release_random_layer_GAN_longer_1k
  • Optimiser: Optuna-tuned learning rate, early stopping
  • Exit layer: 8 (configurable at inference time)

Input / Output

  • Input: Mono-channel audio, 8 kHz – 48 kHz (.wav, .flac)
  • Output: Enhanced mono-channel audio (.flac)

License

This model is derived from NVIDIA Real-time RE-USE, released under the NVIDIA One-Way Noncommercial License (NSCLv1).

References

Как запустить

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

GPU в ailist

Универсальный рантайм · mamba-ssm

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
4b52855

0 моделей