/ Модель

Характеристики

Библиотека
fairseq
Опубликована
7 сен 2026

av-ste

Обработка аудиоАудио → аудио

AV-STE восстанавливает семантические речевые токены Mimi из зашумлённого аудио, используя также видео губ говорящего.

0скачиваний за 30 дней0лайковвеса обновлены7 сен 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

AV-STE — модель для повышения качества речевых токенов в шумных аудиовизуальных условиях, представленная авторами проекта AV-STE. Она восстанавливает чистые семантические токены Mimi, объединяя аудиопризнаки с видео губ через модуль cross-attention с энтропийным управлением на основе AV-HuBERT. Полученные токены можно передавать моделям диалога и синтеза речи на основе Mimi, например Moshi, вместо токенов из зашумлённой речи.

В репозитории представлены два чекпойнта для разных условий: фонового шума и помех от конкурирующих говорящих, включая вариант для помех в стиле корпуса LRS3 и видео вне домена. Веса дообучены на LRS3 с лицензией, ограничивающей доступ к данным, и с добавлением шума и речевых помех из AudioSet. Данные обучения и оценки не распространяются вместе с моделью. Базовая модель AV-HuBERT-Large VoxCeleb2 доступна отдельно; формат чекпойнтов — PyTorch. Лицензия самих весов в предоставленных сведениях не указана.

Сценарии применения

  • очистка речевых токенов Mimi от фонового шума
  • подавление помех от конкурирующих говорящих
  • подготовка речевых токенов для диалоговых моделей на базе Mimi
  • улучшение входа для моделей синтеза речи и аудиокодеков

Ограничения

Для работы требуется соответствующее аудиовизуальное входное содержимое с видео области губ; отдельный чекпойнт рассчитан на конкретные типы шума и помех. Данные обучения и оценки не распространяются вместе с весами, а лицензия самих весов в предоставленных сведениях не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AV-STE: Audio-Visual Speech Token Enhancement

EMNLP 2026 — Noise Adaptive Streaming Audio-Visual Speech Token Enhancement for Robust Full-Duplex Spoken Dialogue Models

Code, demo, and full documentation: github.com/bellagodiva/av-ste

AV-STE recovers clean Mimi semantic tokens from noisy speech by fusing audio features with lip-ROI video through an entropy-gated cross-attention module built on top of AV-HuBERT. Enhanced tokens can be fed directly into any Mimi-based TTS or codec LM (e.g. Moshi) in place of the noisy ones.

Files

CheckpointUse for
avste.ptClean speech, non-speech background noise, cross-dataset speaker interference
avste_lrs3_interference.ptSame-corpus-style competing speakers, out-of-domain video

Together they reproduce every semantic-token-accuracy row in the paper's main table. large_vox_iter5.pt (the public AV-HuBERT-Large VoxCeleb2 backbone both were fine-tuned from) is not hosted here — the GitHub repo's download script fetches it directly from its original source.

Full checkpoint-selection guidance: checkpoints/README.md in the code repo.

Usage

from huggingface_hub import hf_hub_download

path = hf_hub_download(repo_id="bgdv99/av-ste", filename="avste.pt")
# or filename="avste_lrs3_interference.pt"

Both are fairseq model ensemble files:

from fairseq import checkpoint_utils

models, cfg, task = checkpoint_utils.load_model_ensemble_and_task(
    ["avste.pt"],
    arg_overrides={"w2v_path": "large_vox_iter5.pt"},
)

See the GitHub repo for the full inference pipeline (scripts/infer_avste.py), a runnable demo, and training instructions.

Data

These weights were fine-tuned on LRS3 (license-gated) with AudioSet noise/interference augmentation. No training or evaluation data is redistributed here — only the resulting model parameters.

Citation

@inproceedings{avste2026,
  title     = {Noise Adaptive Streaming Audio-Visual Speech Token Enhancement for Robust Full-Duplex Spoken Dialogue Models},
  author    = {TODO},
  booktitle = {Proceedings of EMNLP},
  year      = {2026},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fairseq

Нельзя запустить

Модели fairseq требуют отдельного рантайма.

Ревизия весов
d9e90e6

0 моделей