/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
11 авг 2026

DAVE

Обработка аудиоАудио → аудио

DAVE разделяет речь участников реальных совещаний на два потока и помогает выделять целевого говорящего с использованием визуальных признаков.

0скачиваний за 30 дней3лайкавеса обновлены12 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

DAVE — модель для разделения речи и выделения целевого говорящего в реальных записях совещаний. В карточке описана разработанная командой TaurenMountain система DAVE: аудиосепаратор TIGER-M с 2,56 млн параметров восстанавливает два речевых потока, а отдельный модуль использует четыре визуальных признака для сопоставления потоков с лицами на видео. Сам аудиобэкбон не принимает видео, что снижает влияние плохого визуального входа на восстановление звука.

Модель рассчитана на обработку монофонических аудиозаписей с частотой 16 кГц, включая разделение речи участников встречи и извлечение целевого голоса. Для DAVE заявлены места в верхней части таблиц результатов соревнования по разделению речи. Веса и код вывода опубликованы в формате PyTorch; лицензия репозитория — Apache-2.0. В открытый обучающий корпус вошла лишь часть данных, а некоторые использованные обучающие данные не распространяются.

Сценарии применения

  • разделение речи двух участников совещания в аудиозаписи
  • выделение речи выбранного говорящего из записи встречи
  • улучшение разборчивости речи в аудиозаписях совещаний
  • сопоставление разделённых речевых потоков с лицами на видео

Ограничения

Модель выдаёт два речевых потока и описана для монофонического аудио с частотой 16 кГц. Часть данных, использованных при обучении, не распространяется; результаты соревнования не гарантируют качество на других типах записей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DAVE: A Decoupled Audio-Visual Enhancement Framework for Real-World Speech Separation

Paper (arXiv:2608.09288) · Code (GitHub)

DAVE performs audio-visual speech enhancement and target speaker extraction on real-world meeting recordings. An audio-only separation backbone (TIGER-M, 2.56M parameters) reconstructs two anonymous speech streams; a four-cue weighted-fusion module assigns speaker identities from face video; a selective enhancement chain finalizes output. Because the backbone never consumes video, degraded visual input cannot corrupt the reconstructed audio.

DAVE framework

🏆 Challenge Results (official leaderboard, seven-column rank-mean)

Track 1 — 4th of 17 teams (top 5 shown):

RankTeamSI-SDR↑PESQ↑STOI↑UTMOS↑DNSMOS-OVRL↑CER↓Spk-Sim↑
1audioman10.6992.9330.8412.0741.8320.1230.749
2AITD12.7163.0000.8522.1001.6970.1450.769
3twilight9.1622.7750.8252.1451.9440.1350.742
4DAVE (ours)10.2322.7170.8172.7652.0220.1710.726
5SUSTechAILab10.4162.6510.8231.9981.7700.1640.737

Track 2 — 3rd of 13 teams (top 5 shown):

RankTeamSI-SDR↑PESQ↑STOI↑UTMOS↑DNSMOS-OVRL↑CER↓Spk-Sim↑
1AITD12.2552.9390.8442.1291.6700.1530.764
2audioman10.2232.8880.8302.0941.7600.1480.744
3DAVE (ours)8.9332.6150.7882.7662.0120.2200.707
4twilight7.0472.5610.7762.1701.8960.2200.712
5SUSTechAILab9.5412.5540.8042.0191.7330.2110.726

Model Architecture

ComponentDetails
Separation backboneTIGER (audio-only), in_channels=512, out_channels=256, num_blocks=12, upsampling_depth=5, win=640, stride=160, num_sources=2
Parameters2,557,228 (2.56M)
Sample rate16 kHz, mono
InitializationTIGER-speech pretrained (JusperLee/TIGER-speech)
Released checkpointreal_avse_tiger_m.ckpt (challenge submission, md5 15800af8)

Training

A six-term loss, introduced as a curriculum (one term at a time, verified for no-regression before its weight is raised):

L = L_SI-SDR + λ_cer·L_CER + λ_spk·L_spk + λ_utmos·L_UTMOS + λ_stoi·L_STOI + λ_pesq·L_PESQ
Loss termWeight (final)Description
L_SI-SDR1.0PIT negative SI-SDR over both stream orders
L_CER3.0teacher-forced cross-entropy, frozen Fun-ASR-Nano teacher
L_spk5.01 − cosine, WeSpeaker cnceleb-resnet34-LM (frozen)
L_UTMOS1.0differentiable naturalness critic, clamped
L_STOI5.0differentiable STOI surrogate (clean-reference samples only)
L_PESQ1.0differentiable P.862 surrogate (clean-reference samples only)
HyperparameterValue
OptimizerAdam, peak LR 1e-4, 200-step linear warmup, ReduceLROnPlateau (×0.5, patience 2)
Batch size1 per GPU × 7 A800 (DDP)
Audio length2–6 s per training pair
Gradient clipping5.0
PrecisionFP32 (TF32 matmul enabled)

Training data: the open 12,000-pair subset is released as DAVE-Corpus (sources: AliMeeting / AISHELL-4 / MUSAN, CC BY-SA 4.0). The full training pool additionally used subsets built from MISP-Meeting and official challenge dev data, which cannot be redistributed — see DATA_LICENSE.

Training code and the data-synthesis pipeline: GitHub — TaurenMountain/DAVE.

Quick Start

Separation is self-contained — the TIGER-M model code is bundled under src/models/, so only torch, numpy, soundfile are needed:

pip install torch numpy soundfile

python inference.py --mixture samples/echoset_01/mix.wav --out output
python inference.py --mixture path/to/dir --out output --device cuda

Output: output/<name>/s1.wav, s2.wav (16 kHz mono). Input must be 16 kHz. samples/echoset_01/ contains a playable example pair (mix / s1 / s2, from the Apache-2.0 EchoSet subset).

Python API

import sys, torch, soundfile as sf
sys.path.insert(0, "src")
from models import TIGER

model = TIGER(sample_rate=16000, in_channels=512, out_channels=256,
              num_blocks=12, upsampling_depth=5, win=640, stride=160, num_sources=2)
state = torch.load("model/real_avse_tiger_m.ckpt", map_location="cpu")["state_dict"]
model.load_state_dict(state, strict=False)
model.eval()

mix, sr = sf.read("samples/echoset_01/mix.wav", dtype="float32")  # 16 kHz mono
with torch.no_grad():
    est = model(torch.from_numpy(mix[None]))
sf.write("s1.wav", est[0, 0].numpy(), 16000)
sf.write("s2.wav", est[0, 1].numpy(), 16000)

Files

  • model/real_avse_tiger_m.ckpt — TIGER-M weights (2.56M parameters), the challenge submission checkpoint;
  • inference.py + src/models/ — self-contained separation CLI;
  • samples/ — one example pair for format inspection.

Training code, the data-synthesis + transcription pipeline, and reference implementations of speaker attribution / enhancement / evaluation live in the GitHub repository.

Citation

@misc{zhou2026dave,
  title         = {{DAVE}: A Decoupled Audio-Visual Enhancement Framework for Real-World Speech Separation},
  author        = {Zhou, Wei and Ning, Wanyi and Guo, Yinshang and Fang, Qianxiao and Qian, Haitao and Li, Yingpeng},
  year          = {2026},
  eprint        = {2608.09288},
  archivePrefix = {arXiv},
  primaryClass  = {cs.SD},
  url           = {https://arxiv.org/abs/2608.09288}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
5b7374d

0 моделей