/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Базовая модель
whisper-large-v3
Опубликована
1 авг 2026

WhisperVC

Обработка аудиоАудио → аудио

WhisperVC преобразует китайскую и английскую шёпотную речь в обычную звучащую речь и предназначена для исследований конверсии голоса.

0скачиваний за 30 дней0лайковвеса обновлены1 авг 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

WhisperVC — исследовательские чекпойнты для преобразования шёпота в обычную речь, разработанные для работы с китайским и английским языками. Репозиторий содержит отдельные комплекты весов для каждого языка; в комплект входят Stage2-модель, генератор HiFi-GAN, Gate и веса энкодера/адаптера Whisper Flamingo. Чекпойнт WeSpeaker требуется получить отдельно.

Модель предназначена для преобразования шёпотной речи в звучащую как обычная речь, а также для исследований в области конверсии голоса при ограниченных данных. Для обучения использовались AISHELL6-Whisper, wTIMIT и LibriTTS; обучающие, оценочные данные и базовые линии в репозитории не предоставлены. Модель основана на дообученной openai/whisper-large-v3 и принимает аудио, выдавая аудио. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с соблюдением условий лицензии; коммерческое использование запрещено.

Сценарии применения

  • преобразование китайского шёпота в обычную речь
  • преобразование английского шёпота в обычную речь
  • исследования конверсии голоса при ограниченных данных

Ограничения

Коммерческое использование запрещено лицензией CC BY-NC-SA 4.0. Для работы требуется отдельно получить чекпойнт WeSpeaker; обучающие и оценочные данные в репозитории отсутствуют.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WhisperVC

Official Chinese and English inference checkpoints for WhisperVC: Decoupled Cross-Domain Alignment and Speech Generation for Low-Resource Whisper-to-Normal Conversion.

Paper: https://arxiv.org/abs/2511.01056

Model files

  • whispervc_cn_v1.safetensors: Chinese inference bundle.
  • whispervc_en_v1.safetensors: English inference bundle.

Each file contains the Stage2 model, HiFi-GAN generator, Gate, and Whisper Flamingo encoder/adapter weights. The WeSpeaker checkpoint is not included and must be obtained separately from its official release.

Intended use

The checkpoints are provided for non-commercial research and educational use, including whisper-to-normal speech conversion and voice-conversion research. Commercial use is not permitted by the model license.

Training data

  • AISHELL6-Whisper
  • wTIMIT
  • LibriTTS

No training, evaluation, or baseline data is included in this repository.

Access and download

This repository uses automatic gated access. Request access on this page, authenticate locally, and download the required bundle:

hf auth login
hf download RaydonLiu/WhisperVC whispervc_cn_v1.safetensors
hf download RaydonLiu/WhisperVC whispervc_en_v1.safetensors

License

The model weights are licensed under CC BY-NC-SA 4.0. The accompanying WhisperVC inference source code is licensed separately under Apache-2.0. Third-party models and dependencies retain their upstream licenses.

Citation

@article{liu2025whispervc,
  title={WhisperVC: Decoupled Cross-Domain Alignment and Speech Generation for Low-Resource Whisper-to-Normal Conversion},
  author={Liu, Dong and Liu, Juan and Ju, Wei and Tian, Yao and Li, Ming},
  journal={arXiv preprint arXiv:2511.01056},
  year={2025}
}

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
aaad150

0 моделей