Характеристики

Лицензия: CC BY-NC 4.0
Библиотека: audiosronnx
Опубликована: 19 июл 2026

Ссылки

Hugging Face

audiosronnx-callenhancer

TigreGotico

Обработка аудиоАудио → аудио

ONNX-экспорт CallEnhancer восстанавливает телефонную речь и повышает частоту аудио с 16 до 48 кГц.

0скачиваний за 30 дней0лайковвеса обновлены19 июл 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

audiosronnx-callenhancer — экспорт весов в формате ONNX для движка callenhancer из audiosronnx, предназначенного для восстановления телефонной речи и расширения полосы аудиосигнала с 16 до 48 кГц. Модель создана на основе Scicom-intl/CallEnhancer и включает 24-слойный экстрактор признаков w2v-BERT 2.0 с объединённым LoRA, квантованный до int8 для работы на CPU, и вокодер DAC на 188 млн параметров в fp32. Фронтенд SeamlessM4T вычисляет log-mel признаки; для инференса используется ONNX Runtime без PyTorch.

Модель подходит для улучшения качества записей колл-центров и телефонных звонков. Экстрактор преобразует признаки формы [1, T, 160] в скрытые состояния [1, T, 1024] с частотой 50 Гц, а декодер формирует аудиосигнал 48 кГц. README сообщает о валидации графов относительно исходной модели PyTorch с малыми максимальными абсолютными ошибками. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

повышение частоты дискретизации телефонной речи с 16 до 48 кГц
восстановление качества записей колл-центра
улучшение разборчивости телефонных звонков
подготовка телефонного аудио для последующей расшифровки

Ограничения

Модель предназначена для телефонной речи и преобразования аудио с 16 кГц в 48 кГц; её пригодность для других типов аудио не заявлена. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

audiosronnx-callenhancer

Pure-ONNX weights for the callenhancer engine in audiosronnx — call-centre / telephony speech restoration, 16 kHz → 48 kHz.

This is an ONNX export of Scicom-intl/CallEnhancer:

feature_extractor.int8.onnx — the full 24-layer w2v-BERT 2.0 feature predictor (LoRA merged into the base weights), int8-quantized for CPU. Maps SeamlessM4T log-mel features [1, T, 160] → hidden states [1, T, 1024] at 50 Hz.
decoder.onnx — the 188 M-param DAC vocoder (fp32), [1, 1024, T] → [1, 1, 960·T] 48 kHz waveform.

The SeamlessM4T log-mel front-end runs in numpy inside audiosronnx, so inference is onnxruntime-only (no torch). Each graph was validated against the original PyTorch model (feature extractor max abs err 1.9e-5, decoder 5.0e-6; numpy mel front-end 1.0e-5).

Usage

from audiosronnx import load_sr

sr = load_sr("callenhancer")
sr.upscale_file("call_8k.wav", "restored_48k.wav")

License

The model weights are CC-BY-NC-4.0 (research / non-commercial), inherited from the upstream CallEnhancer release, which builds on Meta's w2v-BERT 2.0 and the Descript Audio Codec. This covers the model itself — audio you restore with it is your own.

Как запустить

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

GPU в ailist

Универсальный рантайм · audiosronnx

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов: 3026824