/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
wavlm · dense
Базовая модель
wavlm-base-plus
Библиотека
mlx
Опубликована
27 июн 2026

WavLM-Base-Plus-MLX-fp16

ЭмбеддингиТекст → embedding3 профессии

MLX-экспорт WavLM Base Plus извлекает признаки из речи для последующей обработки, включая получение эмбеддинга говорящего в системе клонирования голоса Indic-Mio.

56скачиваний за 30 дней0лайковвеса обновлены27 июн 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

WavLM Base Plus MLX fp16 — экспорт модели WavLM от Microsoft в формате safetensors, подготовленный для запуска с MLX и используемый в speech-swift как извлекатель признаков речи. Модель принимает монофоническую речь с частотой 16 кГц и формирует скрытые представления, которые последующие модели могут использовать для извлечения характеристик голоса, содержания речи и паралингвистических признаков. В составе Indic-Mio средние значения скрытых слоёв 1 и 2 передаются в глобальный энкодер MioCodec для получения 128-мерного эмбеддинга говорящего при клонировании голоса по референсной записи.

Архитектура — плотный SSL-энкодер WavLM, близкий по подходу к HuBERT; в метаданных указано 113,3 млн параметров. Это производная от microsoft/wavlm-base-plus модель. Репозиторий указывает MLX-совместимый экспорт fp16 в safetensors и лицензию MIT. Модель предназначена для извлечения признаков и сама по себе не синтезирует речь: генерацию выполняет связанная система Indic-Mio.

Сценарии применения

  • извлечение признаков из монофонической речи 16 кГц
  • получение представлений голоса для downstream-моделей речи
  • подготовка эмбеддинга говорящего для клонирования голоса в Indic-Mio

Ограничения

Это вспомогательный извлекатель признаков, а не самостоятельная модель синтеза речи; использование для клонирования голоса описано в связке с Indic-Mio и MioCodec. README указывает входной формат монофонической речи 16 кГц.

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

WavLM Base Plus MLX fp16

MLX-compatible safetensors export of microsoft/wavlm-base-plus. This bundle is used by speech-swift as the SSL feature-extractor companion for Indic-Mio raw-reference voice cloning.

WavLM runs on 16 kHz mono speech audio and produces hidden states that downstream speech models can use for speaker, content, and paralinguistic representations. For Indic-Mio, speech-swift averages hidden layers 1 and 2, then feeds those features into MioCodec's global encoder to produce the 128-dimensional speaker embedding used by the decoder.

Part of soniqo.audio, an on-device speech toolkit.

Model

FieldValue
Base modelmicrosoft/wavlm-base-plus
ArchitectureWavLM / HuBERT-style SSL encoder
Parameters94M class
FormatMLX-compatible safetensors
QuantizationNone
Precisionfp16-compatible safetensors export
Sample rate16 kHz
Hidden size768
Layers12 Transformer layers
Attention heads12
Runtime useIndic-Mio raw-reference speaker embedding companion

Files

FileSizeDescription
model.safetensors360 MBWavLM weights in safetensors format
config.json2.2 KBWavLM model configuration
preprocessor_config.json215 B16 kHz audio feature-extractor metadata
soniqo_manifest.json622 BRuntime/export metadata

Performance

CheckResult
Weight loadPasses in speech-swift WavLM companion loader
Indic-Mio raw-reference embeddingProduces finite 128-dimensional MioCodec global embedding
Indic-Mio raw-reference synthesisPasses local E2E synthesis test
Hindi ASR sanity on generated clone sampleRecovered नमस्ते यह संदर्भा आवाज़

Usage

Swift

import IndicMioTTS

let model = try await IndicMioTTSModel.fromPretrained()
let audio = try await model.generate(
    text: "नमस्ते, यह संदर्भ आवाज़ का परीक्षण है। <happy>",
    language: "hindi",
    referenceAudio: referenceSamples,
    referenceSampleRate: referenceSampleRate
)

The runtime downloads this companion automatically when raw reference audio is used. For local testing with a pre-downloaded bundle:

export INDIC_MIO_WAVLM_BUNDLE=/path/to/WavLM-Base-Plus-MLX-fp16

CLI

speech speak \
  --engine indic-mio \
  --voice-sample reference.wav \
  --output clone.wav \
  "नमस्ते, यह संदर्भ आवाज़ का परीक्षण है। <happy>"

Source

Converted from microsoft/wavlm-base-plus. The upstream WavLM source project is available from microsoft/unilm.

Links

License

MIT, following the upstream WavLM source project license.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
WavLMModel
Ревизия весов
a4cccc5

0 моделей