/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
stupase · dense
Опубликована
22 июн 2026

stupase

Обработка аудиоАудио → аудио3 профессии

StuPASE от Cisco очищает речь от шума и реверберации, стараясь сохранить её содержание и голос говорящего.

74скачиваний за 30 дней23лайкавеса обновлены14 июл 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

StuPASE — генеративная модель улучшения речи, разработанная Cisco Systems. Она подавляет шум и реверберацию в монофонических аудиозаписях с частотой 16 кГц, стремясь сохранить разборчивость речи, её содержание и особенности голоса говорящего. Модель состоит из компонентов DeWavLM-R для фонетического улучшения, CFM для акустического улучшения и вокодера Mel для восстановления звукового сигнала; всего около 561 млн параметров.

Модель предназначена для очистки шумных или реверберирующих записей речи и повышения их воспринимаемого качества. Она обучалась преимущественно на английской речи; при работе с другими языками качество может снижаться. Сильный шум или условия реверберации, отличающиеся от обучающих, могут вызвать артефакты, а сохранение характеристик голоса не гарантируется полностью. Модель не предназначена для неречевого аудио, преобразования голоса или критически важных медицинских, юридических и безопасностных решений. Лицензия — Apache 2.0.

Сценарии применения

  • очистка речи от фонового шума
  • удаление реверберации из записей речи
  • улучшение разборчивости голосовых записей
  • повышение воспринимаемого качества речи для прослушивания
  • подготовка шумных речевых записей к дальнейшей обработке

Ограничения

Модель обучалась преимущественно на английской речи, поэтому качество для других языков может снижаться; сильный шум и несовпадающая реверберация могут вызвать артефакты. Сходство голоса после обработки не гарантируется полностью.

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

StuPASE: Studio-Quality PASE

StuPASE is a state-of-the-art generative speech enhancement model trained to remove noise and reverberation while preserving linguistic content and speaker identity, and achieving studio-level perceptual quality. It operates on 16 kHz mono audio.


Model Details

Model Description

StuPASE contains three main components:

  • DeWavLM-R: Performs low-hallucination phonetic enhancement, fine‑tuned from DeWavLM using dry targets for improved dereverberation.

    • Inputs: Noisy speech
    • Outputs: Enhanced phonetic representations
  • CFM: Performs phonetic-guided acoustic enhancement.

    • Inputs: Noisy Mel features + Enhanced phonetic representations
    • Outputs: Enhanced Mel features
  • Mel Vocoder: Reconstructs enhanced wavforms.

    • Inputs: Enhanced Mel features
    • Outputs: Enhanced speech

Developed by: Copyright © 2026 by Cisco Systems, Inc. All rights reserved.
Cisco product group: Collaboration AI: Xiaobin Rong, Mansur Yesilbursa, Kamil Wojcicki
Model type: Generative Speech Enhancement
License: Apache 2.0
Finetuned from: WavLM-Large, DeWavLM


Model Sources


Uses

Direct Use

  • Enhance noisy or reverberant speech recordings
  • Improve perceptual quality and intelligibility
  • Preserve speaker identity and linguistic content
  • Supports 16 kHz mono audio

Out-of-Scope Use

  • Medical, legal, or safety‑critical decisions
  • Voice conversion or identity manipulation
  • Non‑speech audio enhancement

How to Get Started

Refer to the repository for quick-start code and examples:
https://github.com/cisco-open/pase


Training Details

Training Data

We release a StuPASE checkpoint that has been trained on an updated list of datasets. For this release, training used:

  • Clean speech:
  • Noise:
    • DNS5 Challenge noise resources
  • Room impulse responses:

These source datasets were used to prepare training mixtures and train the released model. The model card and repository do not redistribute the underlying dataset contents; please refer to the original dataset pages and licenses below.

Dataset Attribution

  • DNS5 Challenge clean speech (LibriVox subset): clean-speech material prepared from LibriVox through the DNS Challenge. The LibriVox recordings used for this portion are public domain and were used as clean-speech training data for the released checkpoint.
  • LibriSpeech: LibriSpeech by Vassil Panayotov et al., licensed under CC BY 4.0. It was used as clean-speech training data for the released checkpoint.
  • LibriTTS: LibriTTS by Heiga Zen et al., licensed under CC BY 4.0. It was used as clean-speech training data for the released checkpoint.
  • VCTK Corpus: the VCTK dataset from the Centre for Speech Technology Research, University of Edinburgh, licensed under CC BY 4.0. It was used as clean-speech training data for the released checkpoint.
  • DNS5 Challenge noise resources: noise data prepared through the DNS Challenge and used to synthesize noisy training mixtures for the released checkpoint. For this release, the DNS5 noise resources draw on AudioSet material licensed under CC BY 4.0, selected Freesound files licensed under CC0 1.0, and DEMAND environmental recordings licensed under CC BY-SA 3.0.
  • OpenSLR26 and OpenSLR28: OpenSLR26 and OpenSLR28 room impulse response resources, both licensed under Apache 2.0, were used to add reverberation during training.

All audio was resampled to 16 kHz.

Training Procedure

Preprocessing

  • Mixtures generated dynamically
  • SNR sampled from –5 to 15 dB
  • Reverberation applied with 50% probability

Training Hyperparameters

  • DeWavLM-R: 50k steps, LR 2e-5, batch size 20
  • CFM: 100k steps, LR 1e‑4, batch size 60
  • Mel Vocoder: 200k steps, LR 2e-4, batch size 60
  • Optimizer: AdamW with warmup + cosine decay
  • Hardware: 2 × NVIDIA RTX 4090 GPUs

Speeds, Sizes, Times

  • Total parameters: ~561M
  • Inference compute: ~104 GMAC/s

Evaluation

Testing Data

Metrics

Results

The performance of the retrained version compared to the original one:

ModelDNSMOSUTMOSSBSLPSSpkSimWER (%)
DeWavLM-R (orig.)3.353.940.840.880.4913.22
DeWavLM-R (retrained)3.383.620.850.890.4112.27
StuPASE (orig.)3.374.080.850.900.6811.57
StuPASE (retrained)3.364.020.850.890.6612.06

It can be seen that the retrained version achieves performance very close to that of the original version on our simulated test set.

Overall, StuPASE achieves:

  • Lowest WER among evaluated generative and discriminative baselines
  • Highest speaker similarity (SpkSim)
  • Highest perceptual quality with low hallucination rates
  • Consistent performance across noisy and reverberant conditions

Bias, Risks, and Limitations

  • Model trained primarily on English speech; performance may degrade for other languages.
  • Very strong noise or mismatched reverberation conditions can introduce artifacts.
  • Speaker characteristics are preserved but not guaranteed perfectly.

Recommendations

Evaluate outputs for your specific use case. Avoid deployments where misunderstanding enhanced speech could have safety or legal consequences.


Citation

If you use StuPASE in your research, please cite:

@misc{StuPASE,
      title={{StuPASE: Towards Low-Hallucination Studio-Quality Generative Speech Enhancement}}, 
      author={Xiaobin Rong and Jun Gao and Zheng Wang and Mansur Yesilbursa and Kamil Wojcicki and Jing Lu},
      year={2026},
      eprint={2603.09234},
      archivePrefix={arXiv},
      primaryClass={eess.AS},
      url={https://arxiv.org/abs/2603.09234}, 
}

Copyright © 2026 by Cisco Systems, Inc. All rights reserved.

Model Card Authorship & Contact

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
539963f

0 моделей