/ Модель

Характеристики

Размер весов
113 МБ
Лицензия
Своя лицензия
Библиотека
coreml
Опубликована
10 июл 2026

REAL-TSE-BSRNN-CoreML

Обработка аудиоАудио → аудио3 профессии

Конверсия REAL-TSE в Core ML выделяет речь заранее зарегистрированного говорящего из перекрывающегося аудио.

134скачиваний за 30 дней0лайковвеса обновлены10 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

REAL-TSE BSRNN Target Speaker Extraction — Core ML FP16 — это конверсия базовой модели REAL-TSE Challenge `spk_emb_100` в формат Core ML. Модель извлекает из монофонической речи голос заранее записанного целевого говорящего, подавляя перекрывающуюся речь других людей и сохраняя временную структуру аудио. Она включает кодировщик голоса ECAPA-TDNN с эмбеддингом размерности 192 и разделитель non-causal BSRNN с шестью повторяющимися блоками рекуррентной обработки по двум осям.

На вход подаются аудио с частотой 16 кГц и запись для регистрации целевого голоса длительностью не менее 0,5 секунды; несколько секунд чистой речи рекомендуются для лучшего результата. В Core ML графах обработка разделена на получение эмбеддинга и выделение голоса из STFT-сигнала. Граф разделителя рассчитан на фрагменты по 8 секунд, поэтому длинные записи нужно обрабатывать с перекрытием и объединением фрагментов. Модель предназначена для работы на Apple silicon и macOS 15 или новее; автор рекомендует CPU-only для разделителя. В проверочном примере оценивалась речь на английском с помехой на немецком, однако это не устанавливает полный перечень поддерживаемых языков. В метаданных указана лицензия `other`; README отмечает, что отдельная лицензия исходного чекпойнта не предоставлена, и требует самостоятельно проверить условия upstream-моделей и данных.

Сценарии применения

  • выделение голоса выбранного участника из перекрывающегося разговора
  • извлечение речи собеседника из записи встречи
  • очистка записи целевого голоса от речи других участников
  • подготовка аудио целевого говорящего для последующего распознавания речи

Ограничения

Разделитель принимает фиксированные фрагменты по 8 секунд, поэтому длинные записи требуют нарезки и объединения; качество может снижаться при шумной или реверберирующей записи для регистрации голоса. Модель оптимизирована для Apple silicon и macOS 15 или новее, а эмбеддинг голоса не предназначен для проверки личности или биометрической аутентификации.

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

REAL-TSE BSRNN Target Speaker Extraction — Core ML FP16

Native Core ML conversion of the REAL-TSE Challenge spk_emb_100 baseline. It extracts an enrolled target speaker from overlapping 16 kHz speech while preserving the original audio timeline.

The conversion is split into two models so enrollment embeddings can be cached and the signal-processing front end can use Apple's Accelerate framework:

FileInputsOutput
BSRNNSpeakerEmbedding.mlpackage / .mlmodelcKaldi-compatible fbank [1, T, 80], T=50...1600ECAPA embedding [1, 192]
BSRNNSeparator8s.mlpackage / .mlmodelcSTFT [1, 2, 257, 1001] and embedding [1, 192]Estimated target STFT [1, 2, 257, 1001]

Audio contract

  • Mono Float32 PCM at 16,000 Hz.
  • STFT: 512-point periodic Hann window, 128-sample hop, centered reflect padding.
  • Separator chunk: 128,000 samples (8 seconds).
  • Long recordings: overlap-add 8-second chunks.
  • Enrollment: at least 0.5 seconds; several seconds of clean solo speech is recommended.

STFT, inverse STFT, Kaldi fbank, resampling, and overlap-add are intentionally outside the Core ML graphs.

Apple runtime recommendation

Use MLComputeUnits.cpuOnly for the separator. MLComputePlan assigns effectively all separator cost to twelve LSTMs, which are not supported by the Apple Neural Engine. On an Apple M3 Max, CPU-only execution was faster and used substantially less memory than CPU+GPU.

Core ML may return padded MLMultiArray output strides on CPU. Consumers must read MLMultiArray.strides rather than assuming contiguous logical dimensions.

Validation

Measured on an Apple M3 Max with macOS 26.4:

  • Swift/Core ML chunk parity versus the Python/Core ML reference: 50.3 dB SI-SDR.
  • 33.16-second English target with equal-level German interference:
    • mixture SI-SDR: -0.42 dB
    • extracted SI-SDR: 10.26 dB
    • NVIDIA Parakeet TDT v3 WER: 57.8% → 2.0%
    • target-word recall: 43.1% → 98.0%
    • extraction real-time factor: 0.197
    • peak BSRNN + Parakeet test-process RSS: approximately 594 MB

Provenance

  • Architecture and checkpoint: REAL-TSE Challenge WeSep spk_emb_100
  • Separator: non-causal BSRNN, six repeated dual-axis recurrent blocks.
  • Speaker encoder: ECAPA-TDNN, 192-dimensional embedding.
  • Training configuration: clean Libri2Mix train-100, 16 kHz.
  • Conversion: PyTorch trace → Core ML ML Program, FP16 compute precision.

No pruning, palettization, or weight quantization is applied to the published FP16 models.

Licensing and attribution

The upstream checkpoint download does not include a standalone checkpoint license, so this repository uses the Hugging Face other license marker rather than asserting broader rights than the upstream authors granted.

  • WeSep implementation files used by this conversion identify Apache-2.0.
  • The checkpoint configuration identifies clean Libri2Mix train-100 and a VoxCeleb ECAPA speaker encoder. Their published model/data documentation uses CC BY 4.0 attribution terms.
  • Users are responsible for confirming that their intended checkpoint use and redistribution comply with upstream REAL-TSE, LibriMix/LibriSpeech, VoxCeleb, and WeSpeaker terms.

Please cite the REAL-TSE Challenge and WeSep authors when using this conversion.

Limitations

  • Fixed eight-second separator graph; long audio requires chunking.
  • Optimized for Apple silicon and macOS 15 or newer.
  • The speaker embedding is for extraction conditioning, not identity verification or biometric authentication.
  • Quality may degrade for enrollment audio with strong noise, reverberation, or a voice that differs substantially from the target recording.

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
0e0e5d8

0 моделей