/ Модель

Характеристики

Контекст
4 096 токенов
Лицензия
CC BY-NC 4.0
Архитектура
xcodec2 · dense
Библиотека
transformers
Опубликована
8 сен 2025

xcodec2

Обработка аудиоАудио → аудио3 профессии

Xcodec2 — нейронный аудиокодек, преобразующий аудио в семантически информативные токены для синтеза речи и генерации аудио в LLM-конвейерах.

22скачиваний за 30 дней7лайковвеса обновлены25 июн 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

Xcodec2 — нейронный аудиокодек, совместимая с Transformers версия X-Codec2, представленного в работе Llasa. Модель кодирует аудио в компактные дискретные токены для использования в конвейерах синтеза речи и генерации аудио на основе больших языковых моделей.

Архитектура объединяет семантические и акустические признаки в одном представлении и использует одноэтапную квантизацию Feature-Space Quantization. Семантическая функция потерь при обучении помогает сохранять в токенах языковую и эмоциональную информацию; одномерная последовательность токенов рассчитана на совместную работу с авторегрессионными LLM. Модель принимает аудио; для репозитория указаны архитектура Xcodec2, реализация Transformers, формат Safetensors и контекст 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • кодирование речи в токены для синтеза речи на основе LLM
  • подготовка аудиопредставлений для авторегрессионной генерации
  • сжатое представление речи с сохранением языковой и эмоциональной информации

Ограничения

Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями. В README указано, что интеграция Xcodec2 ещё не включена в основную версию Transformers.

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

🚨🚨 THIS IS A DRAFT, FOR THE TRANSFORMERS-NATIVE VERSION SEE: HKUSTAudio/xcodec2-hf

Xcodec2 (Transformers-compatible version)

The X-Codec2 model was proposed in Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis.

X-Codec2 is a neural audio codec designed to improve speech synthesis and general audio generation for large language model (LLM) pipelines. It extends the original X-Codec by refining how semantic and acoustic information is integrated and tokenized, enabling efficient and high-fidelity audio representation.

Its architecture is based on X-Codec with several major differences:

  • Unified Semantic-Acoustic Tokenization: X-Codec2 fuses outputs from a semantic encoder (e.g., Wav2Vec2-BERT) and an acoustic encoder into a single embedding, capturing both high-level meaning (e.g., text content, emotion) and low-level audio details (e.g., timbre).
  • Single-Stage Vector Quantization (VQ): Unlike the multi-layer residual VQ in most approaches (e.g., X-Codec, DAC, EnCodec), X-Codec2 uses a single-layer Feature-Space Quantization (FSQ) for stability and compatibility with causal, autoregressive LLMs.
  • Semantic Supervision During Training: It adds a semantic reconstruction loss, ensuring that the discrete tokens preserve meaningful linguistic and emotional information — crucial for TTS tasks.
  • Transformer-Friendly Design: The 1D token structure of X-Codec2 naturally aligns with the autoregressive modeling in LLMs like LLaMA, improving training efficiency and downstream compatibility.

Usage example

Since Xcodec2 isn't yet merged into Transformers, you can install from source from the corresponding fork:

pip install git+https://github.com/Deep-unlearning/transformers.git@add-xcodec2

Here is a quick example of how to encode and decode an audio using this model:

>>> import torch
>>> from datasets import Audio, load_dataset
>>> from transformers import AutoFeatureExtractor, Xcodec2Model

>>> torch_device = "cuda" if torch.cuda.is_available() else "cpu"

>>> # load model and feature extractor
>>> model_id = "hf-audio/xcodec2"
>>> model = Xcodec2Model.from_pretrained(model_id).to(torch_device).eval()
>>> feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)

>>> # load data
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> dataset = dataset.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
>>> audio = dataset[0]["audio"]["array"]

>>> # prepare data
>>> inputs = feature_extractor(audio=audio, sampling_rate=feature_extractor.sampling_rate, return_tensors="pt").to(torch_device)

>>> # encoder and decode
>>> audio_codes = model.encode(**inputs).audio_codes
>>> audio_values = model.decode(audio_codes).audio_values
>>> # or the equivalent with a forward pass
>>> model_output = model(**inputs)
>>> audio_codes = model_output.audio_codes
>>> audio_values = model_output.audio_values

This model was contributed by Steven Zheng and Eric Bezzam. The original code can be found here, and original checkpoints here.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
Xcodec2Model
Ревизия весов
6838028

0 моделей