/ Модель

Характеристики

Лицензия
MIT
Библиотека
onnx
Опубликована
7 окт 2026

gtcrn-speech-enhancement

Обработка аудиоАудио → аудио

Компактная потоковая модель GTCRN очищает монофоническую речь от постоянного, импульсного и авиационного шума.

0скачиваний за 30 дней0лайковвеса обновлены7 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

Vasubuha/gtcrn-speech-enhancement — модель подавления шума на основе Group Temporal Convolutional Recurrent Network (GTCRN). В карточке указано около 23,67 тыс. параметров и назначение для адаптивного шумоподавления в сложных акустических условиях: при постоянном шуме двигателей и транспорта, импульсных звуках выстрелов и артиллерии, а также шуме дронов и авиации.

Модель принимает монофонический аудиосигнал с частотой 16 кГц и выдаёт очищенный аудиосигнал. Предусмотрен потоковый режим с размером фрагмента 16 мс; в репозитории есть ONNX-экспорт для выполнения на периферийных устройствах и в реальном времени, а также PyTorch-чекпойнт. Репозиторий распространяется по лицензии MIT.

В README приведены результаты оценки на тестовых смесях с шумами перечисленных типов: улучшение SNR от 8,15 до 9,33 дБ и значения STOI от 0,847 до 0,867. Эти показатели относятся к указанным условиям оценки; карточка не описывает производительность на других типах шума.

Сценарии применения

  • подавление шума двигателя в голосовой связи
  • очистка речи от выстрелов и артиллерийских звуков
  • шумоподавление речи рядом с дронами и авиацией
  • потоковая очистка аудио в реальном времени на периферийном устройстве

Ограничения

Заявленные результаты оценки относятся к указанным в README типам шумов; качество на иных акустических условиях не описано. Модель рассчитана на монофонический звук с частотой 16 кГц.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GTCRN: Ultra-Lightweight Speech Enhancement & ANC

This repository provides pretrained weights and inference pipelines for the Group Temporal Convolutional Recurrent Network (GTCRN), an ultra-lightweight speech enhancement model (~23.67K parameters).

It is specifically trained for Adaptive Noise Cancellation (ANC) across harsh defence environments, handling:

  • Stationary noise (engine rumble, continuous noise)
  • Impulsive noise (gunfire, artillery, sudden bursts)
  • Aerial noise (drones, aircraft propulsion)

Model Specifications

  • Architecture: Group Temporal Convolutional Recurrent Network (GTCRN)
  • Parameters: ~23,670 (0.024 M)
  • Sampling Rate: 16,000 Hz (16 kHz mono)
  • STFT Parameters: N_FFT = 512, Hop = 256, Window = 512 (Hann window)
  • Inference Latency: Real-time streaming capable (16 ms chunk size)

Files in this Repository

  • best.pt: Best PyTorch model checkpoint.
  • gtcrn_stream.onnx: Exported streaming ONNX model for edge and real-time deployment.
  • infer.py: Full PyTorch inference script.
  • infer_onnx.py: Lightweight ONNX runtime streaming inference script.
  • model_wrapper.py: Audio preprocessing and domain conversion wrapper.
  • gtcrn.py: Full PyTorch model architecture definition.
  • sample_noisy.wav: Sample audio clip for quick testing.

Benchmark Performance

Evaluated on unseen test mixtures across defence-specific acoustic conditions:

CategorySNR Improvement (dB)STOIPESQ
Aerial Noise (Drones, Jets)+8.15 dB0.8601.95
Impulsive Noise (Gunfire, Artillery)+9.33 dB0.8672.13
Stationary Noise (Engines, Vehicles)+8.76 dB0.8471.99
Overall+8.68 dB0.8572.01

Quickstart: Running Inference

1. Using ONNX Runtime (Recommended for speed & edge)

pip install onnxruntime soundfile numpy

python infer_onnx.py --input sample_noisy.wav --model gtcrn_stream.onnx --output enhanced.wav

## Benchmark Performance

The model was evaluated on unseen test mixtures across defence-specific acoustic noise conditions at 16 kHz:

| Noise Category | Description | SNR Improvement (dB) | STOI (Intelligibility) | PESQ (Quality) |
| :--- | :--- | :---: | :---: | :---: |
| **Aerial Noise** | Drones, UAV propulsion, jet turbines | **+8.15 dB** | **0.860** | **1.95** |
| **Impulsive Noise** | Sudden gunfire, artillery, explosions | **+9.33 dB** | **0.867** | **2.13** |
| **Stationary Noise** | Engine rumble, vehicle hums, steady noise | **+8.76 dB** | **0.847** | **1.99** |
| **OVERALL** | Combined test split benchmark | **+8.68 dB** | **0.857** | **2.01** |

### Key Highlights:
- **High Speech Intelligibility**: Achieves `0.857` average STOI, ensuring voice communication remains crisp and intelligible.
- **Superior Impulsive Suppression**: Delivers strong `+9.33 dB` SNR gain on sudden explosive and gunfire noises.
- **Ultra-Low Latency**: Frame-by-frame streaming inference capable with 16 ms chunks and only ~23.67K parameters.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
2f14dd8

0 моделей