/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
RE-USE
Библиотека
audio.cpp
Опубликована
1 окт 2026

RE-USE-GGUF

Обработка аудиоАудио → аудио3 профессии

GGUF-сборка NVIDIA RE-USE для очистки и восстановления искажённой речи с сохранением параметров входного аудио.

4 909скачиваний за 30 дней1лайквеса обновлены1 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

RE-USE-GGUF — сборка весов модели NVIDIA RE-USE в формате GGUF для запуска через audio.cpp. Модель очищает речь от шума и других искажений, стараясь сохранить речевое содержание и характеристики голоса. В основе — свёрточный энкодер-декодер и 30 двунаправленных блоков Mamba в частотно-временной области.

Модель предназначена для восстановления деградированной речи в аудиозаписях. Она принимает аудио с частотой дискретизации 8–48 кГц длительностью более 20 мс и возвращает аудио с той же частотой, числом каналов и длительностью; каналы обрабатываются независимо. Доступны только веса F32. В описанных испытаниях версия audio.cpp показала близкое к Python качество на нескольких примерах и меньший пик использования видеопамяти на RTX 5090, но результаты зависят от записи и вычислительного backend. Metal и HIP в сравнении не проверялись.

Это производная сборка исходной модели NVIDIA RE-USE, упакованная из оригинальных весов Safetensors, а не конвертированная из другого GGUF. Лицензия указана как other; конкретные условия следует проверять в репозитории модели и исходного чекпойнта.

Сценарии применения

  • удаление шума из речевых записей
  • восстановление речи, искажённой помехами
  • очистка микрофонных записей
  • обработка длинных аудиозаписей по сегментам

Ограничения

Принимает аудио только с частотой 8–48 кГц и длительностью более 20 мс; каналы обрабатываются независимо. Проверки выявили численное расхождение с Python, особенно на приведённом стереопримере; Metal и HIP не проверялись.

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

RE-USE GGUF

GGUF weights for native inference with audio.cpp. RE-USE restores degraded speech while preserving its input sample rate. It uses a convolutional encoder/decoder and 30 bidirectional time-frequency Mamba blocks.

Upstream

The checkpoint and reference implementation are pinned to nvidia/RE-USE, revision 022e920d727347a64d6c21fbf0628f2a5f37ad78. Each GGUF includes the model weights, configuration, and audio.cpp model spec. No separate encoder or tokenizer is required. Packages are converted directly from the original safetensors, not from another GGUF.

Packages

FileSizeStorageRecommendation
reuse-f32.gguf37.80 MiBF32Default; fastest of the tested C++ formats.

Only F32 is provided. F16 and Q8 were rejected because their small disk savings did not improve speed or peak VRAM in testing, while introducing waveform drift and additional packaging complexity.

F32 was checked on CUDA and Vulkan. Metal, and HIP were not validated in this comparison.

Controlled Parity With Python

These are separate accuracy runs, not the performance runs below. Both implementations used original F32 weights with TF32 disabled. Comparisons cover the final waveform, with no time alignment or normalization applied.

InputRate / channelsC++ vs Python cosineRelative RMSE
Official noisy_audio/mic_test2.wav, 5.10 s44.1 kHz / mono0.999998460.001756
sample_16k.wav, 14.07 s16 kHz / mono0.9999999950.0000972
c.wav, 7.53 s24 kHz / stereo0.999646910.026572

The last two inputs are in audio.cpp's audio fixtures. The outputs are not bit-identical to Python; the stereo example has noticeably larger numerical drift than the mono examples. These checks do not establish identical output on every recording or backend.

Ordinary CUDA Performance

  • Remeasured on 2026-09-27 after the scoped SSM-convolution optimization.
  • NVIDIA RTX 5090, 8 CPU threads, audio.cpp Debug build, PyTorch 2.11.0+cu128.
  • Original F32 checkpoint for Python. Normal inference defaults, no TF32 overrides or precision overrides. Logging enabled for C++.
  • Five sequential requests in one loaded session. Time is the median of the last three; model loading and WAV file I/O are excluded. C++ includes its host STFT/ISTFT, and Python includes its GPU STFT/ISTFT.
  • Peak VRAM is process memory sampled with nvidia-smi every 50 ms across loading and all five requests, not PyTorch allocator-only memory.
  • RTF is inference time divided by input duration; lower is faster.
5.10-second official microphone clipInference timeRTFPeak VRAM
Python F32273.58 ms0.05365,604 MiB
C++ F32277.47 ms0.05443,012 MiB

C++ F32 has similar latency to Python while using less peak VRAM in this measurement. These results do not establish the same trade-off for every input or backend.

Long Recordings

The 327.6-second qwen3_tts_longform_asr_input.wav fixture uses 10-second chunks with 1-second overlap in both implementations. Same measurement method as above. This is chunked processing, not full-recording parity.

PathInference timeRTFPeak VRAM
Python F329.839 s0.03005,074 MiB
C++ F3210.555 s0.03223,008 MiB

Usage

audiocpp_cli --task s2s --family reuse \
  --model /path/to/RE-USE-GGUF/reuse-f32.gguf --backend cuda \
  --audio input.wav --out restored.wav --log

Input audio must be 8-48 kHz and longer than 20 ms. Output retains the input sample rate, channels, and length. Channels are processed independently.

For long recordings, optional overlapping chunks bound graph workspace:

--request-option audio_chunk_duration_sec=10 \
--request-option audio_chunk_overlap_sec=1

Chunking changes bidirectional and normalization context and can change output quality. It is not equivalent to full-recording inference. Input and output audio still occupy host memory proportional to recording length.

See the model usage guide for options and batching.

License

The weights retain the NVIDIA One-Way Noncommercial License (NSCLv1) specified by the upstream model card. Conversion does not replace those terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · audio.cpp

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
e06abaa

0 моделей