/ Модель

Характеристики

Лицензия
MIT
Библиотека
audiosronnx
Опубликована
20 июл 2026

audiosronnx-voicefixer

Обработка аудиоАудио → аудио

ONNX-экспорт VoiceFixer восстанавливает речь, устраняя шум, реверберацию, клиппинг и потерю полосы частот.

0скачиваний за 30 дней0лайковвеса обновлены20 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-voicefixer — экспорт модели VoiceFixer в формат ONNX для движка audiosronnx. Модель Liu et al. предназначена для восстановления речи с частотой 44,1 кГц: она совместно подавляет шум, реверберацию и клиппинг, а также компенсирует потерю полосы частот. Архитектура состоит из двух этапов: ResUNet предсказывает чистый логарифмический мел-спектр, после чего вокодер TFGAN синтезирует из него звуковую волну.

Граф анализа рассчитан на окно длительностью 5 секунд; для более длинных записей audiosronnx обрабатывает перекрывающиеся участки с плавным переходом. Экспорт проверен на речевых данных: корреляция полного тракта составила 0,99999996. Поскольку модель повторно синтезирует сигнал, восстановленные детали могут быть сгенерированы, а не точно сохранены из оригинала. Для шума вне области обучения качество и численная точность не гарантируются. Лицензия — MIT.

Сценарии применения

  • восстановление зашумлённых речевых записей
  • устранение реверберации в голосовых записях
  • исправление клиппинга в речи
  • восстановление высоких частот в речи с ограниченной полосой
  • улучшение качества архивных аудиозаписей с речью

Ограничения

Обработка выполняется окнами фиксированной длины 5 секунд; модель рассчитана на речь, а не на случайный шум. Повторный синтез может создавать детали, которых не было в исходном сигнале.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

audiosronnx-voicefixer

ONNX exports of VoiceFixer (Liu et al., MIT) for the voicefixer engine in audiosronnx.

VoiceFixer is general speech restoration at 44.1 kHz. Where most engines target one defect, this one is trained to undo noise, reverberation, clipping and bandwidth loss together. Two stages, the same shape as the sidon engine: a ResUNet predicts a clean log-mel and a TFGAN vocoder resynthesises the waveform.

analysis : mel_orig[1, 1, 501, 128]  ->  mel[1, 1, 501, 128]
vocoder  : mel[1, 1, 501, 128]       ->  wav[1, 1, ~221k]
FilePurposeSize
analysis.onnxResUNet mel predictor282 MB
vocoder.onnxTFGAN vocoder133 MB
mel_filters.npy1025x128 htk mel filterbank for the numpy front-end0.5 MB

The STFT (n_fft 2048, hop 441), the mel projection and the 10**clip(x, max=5) log inverse all run in numpy inside audiosronnx.

Verified against torch on real speech: analysis correlation 1.00000000, the pair end-to-end 0.99999996 (71.4 dB SNR).

Notes

  • Fixed window. The analysis graph is length-specialised, so it takes a fixed 5 s (501-frame) window; audiosronnx slides it with a crossfade. Upstream's own restore_inmem segments long audio too.
  • sp is genuinely unused. The module signature is forward(sp, mel_orig), but zeroing or scaling sp changes the output by exactly zero, so the exported graph takes only mel_orig. That is correct, not a folded constant.
  • Measure parity on speech. The same graph reads 6.8e-02 against random noise and 2.3e-04 against speech. Noise is out of domain for a speech restoration model and drives it into a regime where float error through a 70M-parameter ResUNet amplifies.
  • Generative. It resynthesises rather than filters, so restored detail is invented.

License

MIT, inherited from the upstream VoiceFixer release.

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
aa259fa

0 моделей