/ Модель

Характеристики

Лицензия
MIT
Библиотека
stftvae
Опубликована
10 июл 2026

stftvae

Обработка аудиоАудио → аудио3 профессии

Непрерывный нейронный аудиокодек на основе STFT для преобразования аудио в компактное латентное представление и его реконструкции.

18скачиваний 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

STFT-VAE — нейронный аудиокодек с непрерывным латентным представлением на основе STFT. Модель кодирует аудио в комплексную спектрограмму, Transformer-энкодер сжимает её до непрерывного латента с частотой 3,125 кадра в секунду и размерностью 128, а Transformer-декодер и обратное STFT восстанавливают звуковую волну. Фаза сохраняется через STFT/ISTFT, без обучаемого вокодера.

Модель содержит около 116 млн параметров и рассчитана на аудио с частотой дискретизации 24 кГц. Она предназначена для кодирования и реконструкции аудио, например для сжатия звукового сигнала в латентное представление и последующего восстановления. Репозиторий содержит архитектурную конфигурацию и веса в формате safetensors; лицензия — MIT.

Сценарии применения

  • кодирование аудиосигнала в компактный латент
  • реконструкция аудио из латентного представления
  • сжатие аудио для исследовательских и прикладных конвейеров
  • построение систем обработки нейронных аудиокодеков

Ограничения

Модель рассчитана на аудио с частотой дискретизации 24 кГц; README не описывает качество реконструкции, поддерживаемые типы аудиосигнала или ограничения по длительности входа.

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

STFT-VAE

Continuous (VAE) neural audio codec built on the STFT. Audio is transformed to a complex spectrogram, a transformer encoder downsamples it to a low-rate continuous latent, and a transformer decoder + ISTFT reconstruct the waveform — phase is carried by the STFT/ISTFT rather than a learned vocoder.

  • Sample rate: 24 kHz
  • Latent: 3.125 Hz frame rate, 128-dim continuous (no quantization)
  • Params: ~116M
  • Files: config.json (architecture) + model.safetensors (fp32 weights)

Usage

pip install "stftvae[cli]"
import torch
from stftvae import STFTVAE

vae = STFTVAE.from_pretrained("fluxions/stftvae", device="cuda")

audio = torch.randn(1, 24000)          # (1, T) mono @ 24 kHz
recons = vae.reconstruct(audio)        # (1, 1, T)

# or encode / decode separately
latent, length = vae.encode(audio)     # (1, 128, T_latent)
recons = vae.decode(latent, length=length)

Command line:

python -m stftvae input.wav output.wav --model fluxions/stftvae

The encoder returns the deterministic posterior mean (no sampling noise at inference). Code: https://github.com/fluxions-ai/stftvae

License

MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · stftvae

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
ed77728

0 моделей