/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
xcodec2 · dense
Базовая модель
xcodec2
Опубликована
7 сен 2025

Anime-XCodec2

Обработка аудиоАудио → аудио3 профессии

Дообученный декодер XCodec2 для реконструкции японской речи из аудиотокенов с акцентом на голоса в стиле аниме и игр.

189скачиваний за 30 дней18лайковвеса обновлены8 сен 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

Anime-XCodec2 — дообученная версия нейронного аудиокодека XCodec2 от автора репозитория NandemoGHS. Обновлён только декодер: энкодер и кодовая книга оставлены без изменений, поэтому аудиотокены совместимы с исходным HKUSTAudio/xcodec2. Модель рассчитана на работу с аудио и аудиотокенами с частотой дискретизации 16 кГц.

Основное назначение — декодировать токены XCodec2, полученные, например, от Llasa или других авторегрессионных генераторов, в японскую речь с интонациями и голосами в стиле аниме и игр. Также её можно использовать для реконструкции японской речи в соответствующих аудиопайплайнах.

Декодер дообучен примерно на 25 тысячах часов японской речи, преимущественно с актёрской и персонажной подачей. Модель оптимизирована для японского языка: качество на других языках может быть ниже, а речь вне домена аниме и игр может не получить улучшений. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничение на коммерческое применение.

Сценарии применения

  • декодирование токенов XCodec2 от Llasa в японскую речь
  • реконструкция японской речи в аудиокодеке XCodec2
  • построение японского речевого пайплайна с голосами в стиле аниме
  • сравнение реконструкции японской речи с базовым XCodec2

Ограничения

Модель оптимизирована для японской речи в стиле аниме и игр; качество на других языках и вне этого домена может быть ниже. Работа рассчитана на частоту дискретизации 16 кГц.

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

Anime‑XCodec2: Japanese Fine‑Tuned Variant of XCodec2

License: CC BY‑NC 4.0

TL;DR: Anime‑XCodec2 is a fine‑tuned variant of HKUSTAudio/xcodec2, trained on ~25k hours of Japanese anime/game‑style voices.

Only the decoder was updated; the encoder and codebook remain frozen, so speech tokens are identical to the original XCodec2. This makes the model a drop‑in decoder for downstream systems that already work with XCodec2 tokens (e.g., Llasa).


🔗 Quick Links


1) Model Summary

  • What it is: A neural speech codec / speech tokenizer model based on XCodec2 with a decoder fine‑tuned for Japanese speech, particularly anime/game‑style voices.
  • Training scope: Decoder‑only fine‑tuning on ~25,000 hours of Japanese data; encoder and codebook are frozen.
  • Compatibility: Because the encoder and codebook are unchanged, speech tokens produced at encode time are identical with the original XCodec2. Any downstream model expecting XCodec2 codes can use Anime‑XCodec2 as a drop‑in decoder (e.g., Llasa).
  • Sampling rate: 16 kHz (XCodec2 operates at 16 kHz).

2) Intended Use

  • Decode XCodec2 speech tokens (e.g., from Llasa or other AR token generators trained on XCodec2 codes) into Japanese speech with improved naturalness for anime/game‑style voices.
  • Reconstruction of Japanese speech from XCodec2 tokens when analyzing or building Japanese‑focused speech pipelines.

3) Limitations & Trade‑offs

  • Language scope: Optimized for Japanese. Performance on other languages may degrade compared to the baseline XCodec2
  • Sampling rate: 16 kHz only (resample inputs to 16 kHz before encoding; decode assumes 16 kHz).
  • Content domain: Tuned toward anime/game‑style voices; out‑of‑domain speech may not benefit.

4) Data (High‑Level)

  • ~25,000 hours of Japanese speech, with a focus on anime/game‑style voices (acting, character voices, etc.).
  • Data preparation included resampling to 16 kHz and standard loudness/peak checks where appropriate.

5) Training Procedure (High‑Level)

  • Updated (fine‑tuned): generator.backbone, generator.head, fc_post_a
  • Frozen: all other non‑listed components

Goal: preserve token compatibility with HKUSTAudio/xcodec2 while improving reconstruction quality for Japanese anime/game‑style speech.


6) Samples (A/B Listening)

IDOriginal (reference)Baseline Reconstruct (HKUSTAudio/xcodec2)Anime‑XCodec2 Reconstruct (this model)
1
2
3

Note: original audio is 48 / 44.1 kHz, while reconstructed audios are at 16 kHz

These samples come from NandemoGHS/Japanese-Eroge-Voice and were not included in the training or validation data.


7) License


8) Acknowledgements

  • Original: HKUSTAudio/xcodec2
  • Thanks to contributors and the community around Japanese speech resources.

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
443ddae

0 моделей