/ Модель

Характеристики

Архитектура
xcodec · dense
Базовая модель
xcodec2
Библиотека
transformers
Опубликована
22 сен 2025

xcodec2-25TPS-24k

Обработка аудиоАудио → аудио3 профессии

Дообученная версия X-Codec-2.0 с латентной частотой 25 токенов в секунду и дискретизацией 24 кГц для кодирования и обработки речи.

66скачиваний за 30 дней9лайковвеса обновлены1 фев 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

Это дообученная версия X-Codec-2.0 от Scicom International, основанная на HKUSTAudio/xcodec2. Модель кодирует и обрабатывает речь с латентной частотой 25 токенов в секунду и частотой дискретизации 24 кГц; исходная версия использует 50 токенов в секунду. Репозиторий описывает обучение на наборах речевых данных, включая малайские подкасты и датасеты для распознавания и синтеза речи.

Модель предназначена для аудио-аудио сценариев и может служить речевым аудиокодеком в системах моделирования и синтеза речи. В карточке указаны архитектура XCodec2 и формат весов safetensors. Подробная инструкция по запуску и условия лицензии в доступных материалах не описаны.

Сценарии применения

  • кодирование речи в аудиотокены
  • подготовка речевых представлений для моделирования речи
  • использование речевого кодека в системах синтеза речи

Ограничения

README содержит лишь краткое описание и не даёт полной инструкции по использованию. Условия лицензии и поддерживаемые языки самой модели в доступных материалах не определены.

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

xcodec2-25TPS-24k

This repository contains the improved X-Codec-2.0 model as described in the paper Improving X-Codec-2.0 for Multi-Lingual Speech: 25 Hz Latent Rate and 24 kHz Sampling.

Preprint

Improve https://huggingface.co/HKUSTAudio/xcodec2 from 50 TPS to become 25 TPS and upscale output to 24k sample rate.

WanDB at https://wandb.ai/huseinzol05/xcodec2-24k-25tps, we also pushed all checkpoints in checkpoint.

Dataset

  1. https://huggingface.co/datasets/malaysia-ai/common_voice_17_0, train set only.
  2. https://huggingface.co/datasets/mesolitica/Malaysian-STT-Whisper-Stage2, except noise and audioset_0.5s.
  3. https://huggingface.co/datasets/malaysia-ai/Multilingual-TTS, specific commit 2421a13e07226d96ac7009d5327d96a84672768c except cml-tts and libritts_r_filtered
  4. https://huggingface.co/datasets/mesolitica/Malaysian-Emilia-v2, only sg_podcast and malaysian_podcast

How to use

  1. Git clone,
git clone https://github.com/Scicom-AI-Enterprise-Organization/X-Codec-2.0-25TPS-24k
cd X-Codec-2.0-25TPS-24k
  1. Load the model,
from modeling_xcodec2 import XCodec2Model
model = XCodec2Model.from_pretrained("Scicom-intl/xcodec2-25TPS-24k")
  1. Encode,
import librosa
import torch

y, sr = librosa.load('259041.mp3', sr = 16000)
wav_tensor = torch.from_numpy(y).float().unsqueeze(0)
codes = model.encode_code(wav_tensor)
  1. Decode,
import IPython.display as ipd

ipd.Audio(model.decode_code(codes)[0, 0].cpu(), rate = 24000)

Source code

Source code at https://github.com/Scicom-AI-Enterprise-Organization/X-Codec-2.0-25TPS-24k

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
XCodec2Model
Ревизия весов
3cab2d9

0 моделей