/ Модель

Характеристики

Размер весов
54,4 МБ
Лицензия
MIT
Опубликована
11 июн 2023

vocos-mel-24khz

Языковая модель3 профессии

Vocos — быстрый нейросетевой вокодер, который восстанавливает аудиоволну из мел-спектрограммы за один проход.

2,8 млнскачиваний за 30 дней46лайковвеса обновлены17 окт 2023

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

charactr/vocos-mel-24khz — модель вокодера Vocos для синтеза звуковой волны из акустических признаков, в частности мел-спектрограмм. Она использует генеративно-состязательное обучение (GAN) и предсказывает спектральные коэффициенты, после чего восстанавливает аудио обратным преобразованием Фурье. В отличие от типичных GAN-вокодеров, модель не генерирует аудиосэмплы напрямую во временной области.

Vocos выполняет синтез за один прямой проход, что делает его быстрым вариантом реконструкции речи или другого аудио по мел-спектрограмме. Репозиторий содержит веса PyTorch; для инференса README рекомендует библиотеку vocos. Модель выпущена под лицензией MIT. В карточке не указаны частота дискретизации, размер модели и языковая специализация.

Сценарии применения

  • восстановление речи из мел-спектрограммы
  • синтез аудио по акустическим признакам
  • вокодирование речи в конвейере синтеза речи
  • копирование аудио по спектральным признакам

Ограничения

Модель требует акустические признаки, например мел-спектрограмму, на входе и сама по себе не выполняет преобразование текста в речь. Языковая специализация и частота дискретизации в предоставленных материалах не обозначены.

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

Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis

Audio samples | Paper [abs] [pdf]

Vocos is a fast neural vocoder designed to synthesize audio waveforms from acoustic features. Trained using a Generative Adversarial Network (GAN) objective, Vocos can generate waveforms in a single forward pass. Unlike other typical GAN-based vocoders, Vocos does not model audio samples in the time domain. Instead, it generates spectral coefficients, facilitating rapid audio reconstruction through inverse Fourier transform.

Installation

To use Vocos only in inference mode, install it using:

pip install vocos

If you wish to train the model, install it with additional dependencies:

pip install vocos[train]

Usage

Reconstruct audio from mel-spectrogram

import torch

from vocos import Vocos

vocos = Vocos.from_pretrained("charactr/vocos-mel-24khz")

mel = torch.randn(1, 100, 256)  # B, C, T
audio = vocos.decode(mel)

Copy-synthesis from a file:

import torchaudio

y, sr = torchaudio.load(YOUR_AUDIO_FILE)
if y.size(0) > 1:  # mix to mono
    y = y.mean(dim=0, keepdim=True)
y = torchaudio.functional.resample(y, orig_freq=sr, new_freq=24000)
y_hat = vocos(y)

Citation

If this code contributes to your research, please cite our work:

@article{siuzdak2023vocos,
  title={Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis},
  author={Siuzdak, Hubert},
  journal={arXiv preprint arXiv:2306.00814},
  year={2023}
}

License

The code in this repository is released under the MIT license.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Ревизия весов
0feb3fd

0 моделей