/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Опубликована
7 янв 2025

free-svc

Обработка аудиоАудио → аудио3 профессии

FreeSVC преобразует поющий голос между исполнителями и языками с помощью многоязычной модели на основе VITS.

138скачиваний за 30 дней8лайковвеса обновлены16 апр 2025

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

FreeSVC — многоязычная модель преобразования поющего голоса, предназначенная для переноса голоса между исполнителями и языками без отдельного обширного обучения для каждого языка. Она разработана на основе архитектуры VITS с компонентами Speaker-invariant Clustering (SPIN) и ECAPA2 для отделения характеристик говорящего от языкового содержания. В карточке перечислены английский, португальский, испанский, китайский, нидерландский, французский, немецкий, итальянский, японский и польский языки; README приводит примеры речевых и певческих обучающих данных для нескольких языков.

Модель принимает аудио и выдаёт преобразованное аудио. Её можно использовать для смены тембра вокала и преобразования пения между языками. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях ShareAlike, но запрещает коммерческое применение.

Сценарии применения

  • перенос тембра одного певца на вокал другого
  • преобразование вокала между поддерживаемыми языками
  • создание демо вокальной партии с другим голосом
  • эксперименты с многоязычным преобразованием пения

Ограничения

Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование. Поддержка и качество преобразования могут различаться между языками; README сообщает об обучающих данных только для части языков.

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

FreeSVC: Zero-shot Multilingual Singing Voice Conversion

FreeSVC is a promising multilingual zero-shot singing voice conversion model. It enables the conversion of singing voices across languages without the need for extensive language-specific training. GitHub repository. Paper arXiv pre-print.

Supported Languages

LanguageIDStatusSpeech DataSinging Data
Chinese0✅ Full255h70h
Dutch1✅ FullPart of CML-
English2✅ Full921h47h
French3✅ FullPart of CML-
German4✅ FullPart of CML-
Italian5✅ FullPart of CML-
Japanese6✅ Full30h-
Other*7⚠️ Partial-10h
Polish8✅ FullPart of CML-
Portuguese9✅ FullPart of CML-
Spanish10✅ FullPart of CML-

*Note: The "Other" category is used for vocal techniques without content.

Model Overview

FreeSVC leverages an enhanced VITS architecture integrated with Speaker-invariant Clustering (SPIN) and the ECAPA2 speaker encoder. This combination effectively separates speaker characteristics from linguistic content, ensuring high-quality and natural-sounding voice conversions across multiple languages.

Training Datasets

FreeSVC was trained on a diverse set of speech and singing datasets covering multiple languages:

DatasetHoursLanguageType
AISHELL-1170hChineseSpeech
AISHELL-385hChineseSpeech
CML-TTS3.1k7 LanguagesSpeech
HiFiTTS292hEnglishSpeech
JVS30hJapaneseSpeech
LibriTTS-R585hEnglishSpeech
NUS (NHSS)7hEnglishSpeech, Singing
OpenSinger50hChineseSinging
Opencpop5hChineseSinging
PopBuTFy10h, 40hChinese, EnglishSinging
POPCS5hChineseSinging
VCTK44hEnglishSpeech
VocalSet10hOtherSinging

License

FreeSVC is released under the Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) license. This means:

  • The model can only be used for research and non-commercial purposes. Any commercial use is strictly prohibited.
  • Any derivative works must be shared under the same license.
  • Proper attribution must be given when using the model.

Users must also comply with the licenses of the original datasets used for training. Some datasets may have additional restrictions beyond CC BY-NC-SA 4.0. Ensure you review and adhere to their terms before using the model.

For full details, refer to the CC BY-NC-SA 4.0 License.

Citation

@INPROCEEDINGS{10890068,
  author={Ferreira, Alef Iury and Gris, Lucas Rafael and Da Rosa, Augusto and Oliveira, Frederico and Casanova, Edresson and Sousa, Rafael and Junior, Arnaldo and Soares, Anderson and Filho, Arlindo Galvão},
  booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, 
  title={FreeSVC: Towards Zero-shot Multilingual Singing Voice Conversion}, 
  year={2025},
  volume={},
  number={},
  pages={1-5},
  keywords={Training;Source coding;Zero shot learning;Refining;Signal processing;Data models;Acoustics;Multilingual;Data mining;Speech synthesis;Singing Voice Conversion;Synthesis of Singing Voices;Cross-lingual and multilingual aspects in speech synthesis},
  doi={10.1109/ICASSP49660.2025.10890068}}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
ab1387c

0 моделей