/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
fast_oobleck_decoder · dense
Базовая модель
ACE-Step-v1-3.5B
Библиотека
pytorch
Опубликована
22 апр 2026

DreamVAE

Обработка аудиоАудио → аудио3 профессии

Дистиллированный декодер VAE для быстрого восстановления стереомузыки из латентов ACE-Step.

27скачиваний за 30 дней17лайковвеса обновлены22 апр 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

DreamVAE — декодер вариационного автокодировщика (VAE), созданный как дистиллированная замена декодера Oobleck в ACE-Step 1.5. Он принимает латентные представления формы [B, 64, T] и восстанавливает из них стереозвук формы [B, 2, 1920*T] с частотой 48 кГц; для работы его следует сочетать со штатным энкодером ACE-Step. Модель содержит 51,7 млн параметров и доступна в форматах safetensors и ONNX.

Модель предназначена для быстрого декодирования музыкальных латентов и восстановления аудио в конвейерах генерации музыки. В тестах на 20 музыкальных фрагментах дополнительное ухудшение SNR относительно исходного декодера составило 0,24 дБ. По данным README, связка DreamVAE с TensorRT FP16 декодировала 60 секунд аудио за 37,2 мс на RTX 5090; это результат конкретной конфигурации оборудования и бенчмарка.

DreamVAE обучалась дистилляцией на 8 000 треках FMA Small; опубликованный чекпойнт соответствует шагу 635 000. Лицензия — Apache 2.0. Оценка качества ограничена сигналовыми метриками на реконструкции VAE: субъективные тесты и проверка полного конвейера генерации не проводились. Поддержка других вариантов ширины и эффект дополнительной квантизации также не оценивались.

Сценарии применения

  • декодирование музыкальных латентов ACE-Step в стереозвук
  • ускорение восстановления аудио в конвейере генерации музыки
  • замена декодера Oobleck в VAE-обработке музыки

Ограничения

Качество оценивали только сигналовыми метриками на реконструкции VAE; субъективные тесты и оценка полного конвейера генерации не проводились. Другие варианты архитектуры и влияние INT8/FP8-квантизации не исследованы.

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

DreamVAE

A distilled decoder for the ACE-Step 1.5 Oobleck VAE. Drop-in replacement: same [B, 64, T] latent input, same [B, 2, 1920*T] stereo output at 48 kHz. 51.7M parameters (61% of the teacher), 0.24 dB SNR degradation vs. the teacher across 20 diverse music tracks, and 37.2 ms to decode 60 seconds of audio on an RTX 5090 TensorRT FP16 engine (8.66x faster than the teacher in PyTorch, 1.45x faster than the teacher's own TRT engine).

Usage

import json
import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file

repo = "daydreamlive/DreamVAE"
weights = hf_hub_download(repo, "model.safetensors")
config  = hf_hub_download(repo, "config.json")
mod_py  = hf_hub_download(repo, "modeling.py")

import sys, os
sys.path.insert(0, os.path.dirname(mod_py))
from modeling import FastOobleckDecoder

cfg = json.load(open(config))
model = FastOobleckDecoder(
    channels=cfg["channels"],
    input_channels=cfg["input_channels"],
    audio_channels=cfg["audio_channels"],
    upsampling_ratios=cfg["upsampling_ratios"],
    channel_multiples=cfg["channel_multiples"],
).eval().to("cuda")
model.load_state_dict(load_file(weights))

# latents: [B, 64, T]  ->  audio: [B, 2, 1920 * T]
with torch.no_grad():
    audio = model(latents)

Pair with the stock ACE-Step encoder; only the decoder is distilled.

ONNX export is at onnx/model.onnx. Build a TRT engine with scripts/export_trt.py.

Results

Quality (20 diverse FMA tracks, 10 s clips):

vs. original audioSNR (dB)STFT distMel dist
Teacher OobleckDecoder5.0 (std 2.5)0.6980.733
DreamVAE4.7 (std 2.4)0.6950.742
Degradation0.24 dBbetter+0.008

The VAE's own reconstruction error (~5 dB SNR) dominates; DreamVAE's additional error is well under a quarter of that. STFT distance is marginally better for the student; mel distance is 1.1% worse. Informal listening finds the difference inaudible.

Speed (RTX 5090, 60 s stereo audio at 48 kHz, TensorRT FP16):

BackendTime (60 s)vs. teacher PyTorch
Teacher PyTorch321.9 ms1.00x
Teacher TRT FP1654.0 ms5.97x
DreamVAE PyTorch241.1 ms1.34x
DreamVAE TRT FP1637.2 ms8.66x

Distillation alone is modest (1.45x over the teacher's own TRT engine). The compelling number is the composition with TRT: what a deployment sees moving from stock PyTorch VAE to DreamVAE on TRT is 8.66x.

Architecture

TeacherDreamVAE
Parameters84.4M51.7M (61%)
Channel multiples[1, 2, 4, 8, 16][1, 2, 4, 8, 8]
Residuals/block3 (dil 1, 3, 9)2 (dil 1, 3)
Upsampling ratios[10, 6, 4, 4, 2][10, 6, 4, 4, 2]
ActivationSnake1dSnake1d
Hop length19201920

Trained for 650K steps on 8,000 FMA Small tracks (two-phase: 500K reconstruction + 150K adversarial). Released checkpoint is step 635K, selected as the HF-energy-match peak from a six-point trajectory over the adversarial phase.

Files

.
├── README.md
├── config.json            architecture + training hyperparameters
├── model.safetensors      FP32 weights (207 MB, 51.7M params)
├── modeling.py            self-contained FastOobleckDecoder class
├── onnx/model.onnx        ONNX export
└── scripts/               training, eval, speed bench, TRT export/verify

Limitations

  • Signal-level metrics only (no MUSHRA / PESQ / preference tests).
  • Evaluated on VAE round-trip, not end-to-end through the full text-to-DiT-to-VAE pipeline. FAD on generated samples is future work.
  • One point on the quality-speed frontier ([1,2,4,8,8], 2 residual units). Width variants not evaluated.
  • Trained in FP32. INT8 / FP8 quantization would likely stack another 1.5-2x on top of FP16 and is not explored here.

Citation

Technical note (methodology, training recipe with source-paper attribution, adversarial-phase trajectory, and negative results on encoder distillation) is forthcoming on arXiv. Citation block will be added here on release.

License

Apache 2.0, matching the upstream ACE-Step 1.5 license.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
53e74f7

0 моделей