/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
custom · dense
Опубликована
17 окт 2025

SAC-16k-62_5Hz

Обработка аудиоАудио → аудио3 профессии

Нейронный речевой кодек SAC кодирует и восстанавливает речь, совмещая семантический и акустический потоки.

59скачиваний за 30 дней2лайкавеса обновлены24 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

SAC-16k-62_5Hz — версия нейронного речевого кодека SAC от Soul-AILab. Кодек использует двухпоточное семантико-акустическое квантование и предназначен для восстановления речи и получения семантических представлений при разных битрейтах. Этот вариант работает с аудио с частотой дискретизации 16 кГц и токенизирует его с частотой 62,5 Гц; заявленный битрейт составляет 875 бит/с. Для подготовки и обучения SAC в README указаны зависимости GLM-4-Voice-Tokenizer и энкодер говорящего ERes2Net.

Репозиторий содержит веса PyTorch и опубликован под лицензией Apache-2.0. Карточка не приводит количественных результатов, поэтому заявление о качестве уровня state-of-the-art нельзя независимо оценить по предоставленным данным.

Сценарии применения

  • восстановление речи из кодековых представлений
  • сжатие речевого аудио до битрейта 875 бит/с
  • получение семантических представлений речи
  • обучение и оценка речевых кодеков

Ограничения

Для подготовки зависимостей и обучения требуются отдельные модели GLM-4-Voice-Tokenizer и ERes2Net. Количественные результаты качества и условия применения за пределами лицензии Apache-2.0 в предоставленных материалах не описаны.

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

🛠️ Environment Setup

conda create -n sac python=3.10
conda activate sac
pip install -r requirements.txt  # pip version == 24.0

🧩 Model Checkpoints

To use SAC, you need to prepare the pretrained dependencies, including the GLM-4-Voice-Tokenizer for semantic tokenization and the ERes2Net speaker encoder for speaker feature extraction (during codec training). Make sure the corresponding model paths are correctly set in your configuration file (e.g., configs/xxx.yaml).

The following table lists the available SAC checkpoints:

Model NameHugging FaceSample RateToken RateBPS
SAC🤗 Soul-AILab/SAC-16k-37_5Hz16 kHz37.5 Hz525
SAC🤗 Soul-AILab/SAC-16k-62_5Hz16 kHz62.5 Hz875

🎧 Inference

To perform audio reconstruction, you can use the following command:

python -m bins.infer

We also provide batch scripts for audio reconstruction, encoding, decoding, and embedding extraction in the scripts/batch directory as references (you can refer to the batch scripts guide for details).

🧪 Evaluation

You can run the following command to perform evaluation:

bash scripts/eval.sh

For details on dataset preparation and evaluation setup, please first refer to the evaluation guide.

🚀 Training

Step 1: Prepare training data

Before training, organize your dataset in JSONL format. You can refer to example/training_data.jsonl. Each entry should include:

  • utt — unique utterance ID (customizable)
  • wav_path — path to raw audio
  • ssl_path — path to offline-extracted Whisper features (for semantic supervision)
  • semantic_token_path — path to offline-extracted semantic tokens

To accelerate training, you need to extract semantic tokens and Whisper features offline first before starting. Refer to the feature extraction guide for detailed instructions.

Step 2: Modify configuration files

You can adjust training and DeepSpeed configurations by editing:

Step 3: Start training

Run the following script to start SAC training:

bash scripts/train.sh

🙏 Acknowledgement

Our codebase builds upon the awesome SparkVox and DAC. We thank the authors for their excellent work.

🔖 Citation

If you find this work useful in your research, please consider citing:

@article{chen2025sac,
  title={SAC: Neural Speech Codec with Semantic-Acoustic Dual-Stream Quantization},
  author={Chen, Wenxi and Wang, Xinsheng and Yan, Ruiqi and Chen, Yushen and Niu, Zhikang and Ma, Ziyang and Li, Xiquan and Liang, Yuzhe and Wen, Hanlin and Yin, Shunshun and others},
  journal={arXiv preprint arXiv:2510.16841},
  year={2025}
}

📜 License

This project is licensed under the Apache 2.0 License.

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
CustomModel
Ревизия весов
4b96253

0 моделей