/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
f5-tts
Опубликована
8 сен 2025

EZ-VC

Обработка аудиоАудио → аудио3 профессии

SPRINGLab/EZ-VC — модель преобразования аудио, для которой опубликован ноутбук инференса.

177скачиваний за 30 дней8лайковвеса обновлены2 дек 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

SPRINGLab/EZ-VC — модель для преобразования аудио, опубликованная SPRINGLab и распространяемая в библиотеке F5-TTS. В метаданных указаны задача audio-to-audio и возможность принимать аудио; README сообщает о наличии Jupyter-ноутбука для запуска инференса.

Модель предназначена для сценариев преобразования аудио. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование. README не описывает конкретный тип преобразования, поддерживаемые языки, архитектуру, размер модели или длину контекста, поэтому эти характеристики нельзя уточнить.

Сценарии применения

  • преобразование входного аудио в аудио
  • запуск инференса аудио-модели через Jupyter Notebook
  • эксперименты с преобразованием аудио на базе F5-TTS

Ограничения

README не уточняет, какой именно тип преобразования аудио выполняется и какие входные форматы поддерживаются. 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

EZ-VC: Easy Zero-shot Any-to-Any Voice Conversion

github arXiv demo lab

Our paper has been published in the Findings of EMNLP 2025!

Installation

Create a separate environment if needed

# Create a python 3.10 conda env (you could also use virtualenv)
conda create -n ez-vc python=3.10
conda activate ez-vc

Local installation

git clone https://github.com/EZ-VC/EZ-VC
cd EZ-VC
git submodule update --init --recursive
pip install -e .

# Install espnet for xeus (Exactly this version)
pip install 'espnet @ git+https://github.com/wanchichen/espnet.git@ssl'

Inference

We have provided a Jupyter notebook for inference in "src/f5_tts/infer/infer.ipynb".

Open Inference notebook.

Run all.

The converted audio will be available at the last cell.

Acknowledgements

  • F5-TTS for opensourcing their code which has made EZ-VC possible.

Citation

If our work and codebase is useful for you, please cite as:

@inproceedings{joglekar-etal-2025-ez,
    title = "{EZ}-{VC}: Easy Zero-shot Any-to-Any Voice Conversion",
    author = "Joglekar, Advait  and
      Singh, Divyanshu  and
      Bhatia, Rooshil Rohit  and
      Umesh, Srinivasan",
    editor = "Christodoulopoulos, Christos  and
      Chakraborty, Tanmoy  and
      Rose, Carolyn  and
      Peng, Violet",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2025",
    month = nov,
    year = "2025",
    address = "Suzhou, China",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2025.findings-emnlp.1077/",
    doi = "10.18653/v1/2025.findings-emnlp.1077",
    pages = "19768--19774",
    ISBN = "979-8-89176-335-7",
    abstract = "Voice Conversion research in recent times has increasingly focused on improving the zero-shot capabilities of existing methods. Despite remarkable advancements, current architectures still tend to struggle in zero-shot cross-lingual settings. They are also often unable to generalize for speakers of unseen languages and accents. In this paper, we adopt a simple yet effective approach that combines discrete speech representations from self-supervised models with a non-autoregressive Diffusion-Transformer based conditional flow matching speech decoder. We show that this architecture allows us to train a voice-conversion model in a purely textless, self-supervised fashion. Our technique works without requiring multiple encoders to disentangle speech features. Our model also manages to excel in zero-shot cross-lingual settings even for unseen languages. We provide our code, model checkpoint and demo samples here: https://github.com/ez-vc/ez-vc"
}

License

Our code is released under MIT License. The pre-trained models are licensed under the CC-BY-NC license. Sorry for any inconvenience this may cause.

Как запустить

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

GPU в ailist

Универсальный рантайм · f5-tts

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
0fc142e

0 моделей