/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
xcodec2 · dense
Базовая модель
Anime-XCodec2
Опубликована
17 окт 2025

Anime-XCodec2-44.1kHz

Обработка аудиоАудио → аудио3 профессии

Дообученный декодер XCodec2 преобразует японские аудиотокены в речь с частотой дискретизации 44,1 кГц, ориентированную на голоса в стиле аниме и игр.

31скачиваний за 30 дней9лайковвеса обновлены19 окт 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-XCodec2-44.1kHz — дообученный декодер аудиокодека XCodec2 от NandemoGHS для реконструкции японской речи из токенов XCodec2. Он предназначен для систем, которые уже создают такие токены, например Llasa, и позволяет получать аудио с частотой дискретизации 44,1 кГц в голосовом стиле аниме и игр. Модель принимает аудиотокены, полученные из исходного аудио с частотой 16 кГц; энкодер и кодовая книга сохранены замороженными, а декодер дополнен слоями повышения частоты дискретизации и обучен с RMS loss на примерно 22 тысячах часов японской речи.

Модель также можно применять для повышения частоты дискретизации с 16 до 44,1 кГц, однако такое использование не оценивалось. Качество оптимизировано для японского языка и голосов в стиле аниме и игр; на других языках оно может снижаться. Для инференса требуется специальная модифицированная библиотека xcodec2, стандартная библиотека несовместима. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

Сценарии применения

  • восстановление японской речи из токенов XCodec2
  • получение аудио 44,1 кГц в пайплайнах Llasa
  • замена декодера Anime-XCodec2 для вывода речи в высоком качестве
  • повышение частоты дискретизации японской речи с 16 до 44,1 кГц

Ограничения

Оптимизирована для японского языка и голосов в стиле аниме и игр; качество на других языках может снижаться, а применение для суперразрешения аудио не оценивалось. Для инференса требуется специальная модифицированная библиотека xcodec2; лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

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-XCodec2-44.1kHz: A 44.1kHz Upsampling Variant of Anime-XCodec2

License: CC BY-NC 4.0

TL;DR: Anime-XCodec2-44.1kHz is a fine-tuned variant of NandemoGHS/Anime-XCodec2. It incorporates upsampling layers and RMS loss inspired by the Inworld TTS-1 paper to produce 44.1kHz output, trained on ~22k hours of Japanese speech.

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 based on Anime-XCodec2 (which is based on XCodec2), fine-tuned to output 44.1kHz high-fidelity Japanese speech (anime/game-style).
  • Key Change: Integrates an UpSamplerBlock and utilizes RMS Loss (inspired by Inworld TTS-1) into the decoder architecture.
  • Training scope: Decoder-only fine-tuning on ~22,000 hours of Japanese data. Encoder and codebook are frozen.
  • Compatibility: Speech tokens are identical to HKUSTAudio/xcodec2 and NandemoGHS/Anime-XCodec2.
  • Input Sampling rate: 16 kHz (for encoding, same as XCodec2).
  • Output Sampling rate: 44.1 kHz (decoded audio).

2) Intended Use

  • Decode XCodec2 speech tokens (e.g., from Llasa or other AR generators) into high-fidelity 44.1kHz Japanese speech (anime/game-style).
  • Upgrade existing Anime-XCodec2 (16kHz) pipelines to 44.1kHz output.
  • Audio Super-Resolution: As the model accepts 16kHz input and outputs 44.1kHz reconstructed audio, it can also be used as a form of audio super-resolution. However, its performance for this specific purpose is untested/unevaluated.

3) How to Use (Important)

This model modifies the original XCodec2 architecture by adding upsampler blocks. You MUST use the provided custom xcodec2 library fork for inference, as the standard library will not work.

  • Installation:

    # Install the customi xcodec2 library
    pip install https://huggingface.co/NandemoGHS/Anime-XCodec2-44.1kHz/resolve/main/xcodec2-0.1.6.tar.gz
    
  • Usage: Once the custom library is installed, you can load and use this model just as you would the original XCodec2 or Anime-XCodec2 models. The core inference logic remains the same.

For a complete, working code example, please refer to my Hugging Face Spaces Demo: https://huggingface.co/spaces/OmniAICreator/Anime-XCodec2-44.1kHz-Demo


4) Limitations & Trade-offs

  • Language scope: Optimized for Japanese. Performance on other languages may degrade.
  • Content domain: Tuned toward anime/game-style voices.
  • Library Dependency: Requires the custom xcodec2 library linked above. It is not compatible with the original xcodec2 library.

5) Data (High-Level)

  • ~22,000 hours of Japanese speech, with a focus on anime/game-style voices.
  • Data was prepared for 44.1kHz target output during training.

6) Training Procedure (High-Level)

  • Base Model: NandemoGHS/Anime-XCodec2 (16kHz)
  • Architecture Modification:
    • Integrated the UpSamplerBlock from the Inworld TTS-1 implementation into the decoder.
    • Upsampler parameters: hop_length=147, upsample_factors=[3, 2], kernel_sizes=[7, 6].
  • Loss Function: Adopted RMS Loss (Root Mean Square loss), as introduced in Inworld TTS-1, in addition to the original losses.
  • Frozen: Encoder and Codebook (token compatibility preserved).
  • Updated (fine-tuned): generator.backbone, generator.head, generator.upsampler, fc_post_a

7) Samples (A/B/C/D Listening)

IDOriginal (reference)Baseline Reconstruct (HKUSTAudio/xcodec2) [16kHz]Anime-XCodec2 [16kHz]Anime-XCodec2-44.1kHz (This model) [44.1kHz]
1
2
3

Note: Original audio is 48 / 44.1 kHz. Baseline and Anime-XCodec2 are 16 kHz. This model outputs 44.1 kHz.


8) License


9) Acknowledgements

  • HKUSTAudio/xcodec2 (Original model)
  • Inworld AI for their work on Inworld TTS-1 (Upsampler architecture and RMS Loss).
  • 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
72adf1f

0 моделей