/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
7 мар 2026

WavCochCausalV8192-vocoder

ЭмбеддингиТекст → embedding3 профессии

Причинный аудиотокенизатор WavCoch извлекает коклеаграммные признаки из волнового сигнала и поддерживает обратное декодирование в аудио встроенным вокодером.

255скачиваний за 30 дней0лайковвеса обновлены5 окт 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

WavCochCausalV8192-vocoder — модель, опубликованная Greta Tuckute и Klemen Kotar. Это причинный токенизатор аудиосигнала в представления-коклеаграммы, содержащий около 24,42 млн параметров. В метаданных Hugging Face указаны библиотека Transformers, формат safetensors и задача feature-extraction; README приводит размер окна 1001 и шаг 80.

Модель преобразует аудиоволну в последовательность признаков. В репозиторий также включён вокодер с методом decode_audio(...) для синтеза аудиосигнала из представлений; при запросе скрытых состояний доступен один слой постпроекционных эмбеддингов FSQ для анализа. Карточка называет авторов, но не указывает лицензию; в метаданных указана Apache-2.0. Данных о поддерживаемых естественных языках нет.

Сценарии применения

  • извлечение признаков из аудиоволны
  • получение коклеаграммных представлений речи и звука
  • анализ эмбеддингов аудио при зондировании модели
  • восстановление аудиосигнала из представлений с помощью встроенного вокодера

Ограничения

README не сообщает о тестах качества, поддерживаемых частотах дискретизации или языках. Для загрузки указан trust_remote_code=True.

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

WavCochCausalV8192-vocoder

WavCoch is a causal waveform-to-cochleagram tokenizer by Greta Tuckute and Klemen Kotar.

Model Details

ParameterValue
Parameters~24.42M
Window Size1001
Hop Length80
Encoder Dim512
Vocabulary Size8192
Includes VocoderTrue

Usage

from transformers import AutoModel

wavcoch = AutoModel.from_pretrained(
    "TuKoResearch/WavCochCausalV8192-vocoder",
    trust_remote_code=True,
)

codes = wavcoch.quantize(waveform_tensor)
coch = wavcoch.decode(codes)
embeddings = wavcoch(
    input_values=waveform_tensor,
    output_hidden_states=True,
    sampling_rate=16000,
).hidden_states[0]

audio = wavcoch.decode_audio(codes)

Notes

This repo includes a bundled vocoder and supports decode_audio(...) for end-to-end waveform synthesis.

When called with output_hidden_states=True, WavCoch exposes a single hidden-state layer: the post-FSQ projected embedding sequence used for direct probing.

Loading audio and video files

load_audio() is an optional utility available on both the WavCoch class and loaded instances. It requires the FFmpeg executable on PATH, installed, for example, with conda install -c conda-forge ffmpeg. FFmpeg is only required when this helper is called.

wav = wavcoch.load_audio("random.mp3")  # or .wav, .flac, .m4a, .mp4, .mov, etc.
# wav is a 1D float32 CPU tensor, mono, sampled at 16,000 Hz.
codes = wavcoch.quantize(wav.to(wavcoch.device))

# Optional: decode/downmix/resample without changing the decoded RMS.
wav = wavcoch.load_audio("recording.mp4", normalize_rms=False)

# The same helper works without constructing another model:
wav = type(wavcoch).load_audio("random.mp3")  # WavCoch.load_audio(...) also works.

The helper decodes the first audio stream, downmixes to mono using FFmpeg, and resamples to 16 kHz. It supports the audio/video formats and codecs available in your FFmpeg build; video frames are ignored. Inputs are local file paths, and the complete audio track is loaded into memory. Missing or undecodable audio raises an error.

RMS is measured across the complete waveform after downmixing/resampling. The reference RMS is 0.11 and the allowed range is 0.0011 to 11.0 (0.01x to 100x the reference). Audio within that range is unchanged. Nonzero audio outside it is scaled to the nearest boundary, preserving its relative dynamics; exact silence stays silent. This is not peak normalization: samples are not clipped to [-1, 1]. Use normalize_rms=False to disable this adjustment.

Loading does not tokenize, move the waveform onto a GPU, pad or shift the audio, or change the model's causal/centered mode. Existing tensor-based calls remain unchanged and never invoke this helper automatically. On the centered-capable checkpoint, select centered encoding explicitly with wavcoch.quantize(wav.to(wavcoch.device), mode="centered").

The standalone function can also be imported from wavcoch_audio.py when using the runtime source directly. For a local repository checkout:

from prep_scripts.hf_upload.wavcoch_audio import load_audio

wav = load_audio("random.mp3")

To get this feature from Hugging Face, use the updated revision (or main). Older pinned revisions retain their original API.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
1676d83

0 моделей