/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
26 сен 2026

MossFormer2-SS-16K-ONNX

Обработка аудиоАудио → аудио

Квантованная ONNX-модель MossFormer2 разделяет монофоническую запись с двумя говорящими на два речевых сигнала.

0скачиваний за 30 дней0лайковвеса обновлены26 сен 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

MossFormer2SS16K в формате ONNX INT8 — квантованная версия модели разделения речи MossFormer2_SS_16K, разработанной Alibaba Group в рамках проекта ClearerVoice-Studio. Модель обрабатывает монофонический аудиосигнал с частотой 16 кГц и разделяет смесь двух говорящих на два отдельных речевых сигнала.

На вход подаётся waveform в формате float32, на выходе формируются два waveform float32 — по одному для каждого говорящего. Репозиторий содержит ONNX-модель размером 90,9 МБ; README сообщает о сокращении размера на 60% относительно экспорта FP32 и приводит результаты сравнения с официальной версией PyTorch. Лицензия — Apache-2.0. Модель предназначена для разделения двух голосов; другие типы аудиосценариев в карточке не описаны.

Сценарии применения

  • разделение голосов двух собеседников в смешанной записи
  • выделение речи каждого участника разговора из монофонического аудио
  • подготовка отдельных речевых дорожек для последующей обработки

Ограничения

Модель рассчитана на монофонический сигнал с частотой 16 кГц и разделение смеси двух говорящих; пригодность для другого числа источников или иных частот дискретизации не заявлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MossFormer2_SS_16K (ONNX INT8)

Quantized INT8 ONNX export of MossFormer2_SS_16K, a 16 kHz time-domain monaural speech separation model developed by Alibaba Group within the ClearerVoice-Studio project.

  • Upstream Checkpoint: alibabasglab/MossFormer2_SS_16K
  • Model Size: 90.9 MB (60% reduction from 230 MB FP32 ONNX / 670 MB PyTorch checkpoint)
  • Format: ONNX INT8 (Opset 13)

Model Architecture & I/O

  • Task: 16 kHz Monaural Speech Separation (2 speakers).
  • Input:
    • inputs: [N, sequence_length] (float32, 16 kHz raw waveform).
  • Outputs:
    • spk0: [N, sequence_length] (float32, separated Speaker 1).
    • spk1: [N, sequence_length] (float32, separated Speaker 2).

Verification & Benchmark

Tested against the official Alibaba PyTorch FP32 baseline on input_ss.wav (4.41s mixed 2-speaker audio):

MetricSpeaker 0Speaker 1Status
Cosine Similarity0.9999920.999986Near bit-exact
Pearson Correlation ($r$)0.9999920.999986Near bit-exact
SI-SNR47.76 dB45.58 dBInaudible loss (>45 dB)
RMSE0.02340.0235High fidelity

Usage in Python

import numpy as np
import soundfile as sf
import onnxruntime as ort

# 1. Load audio at 16kHz
audio, sr = sf.read("mixed_16k.wav")
assert sr == 16000
audio_in = audio[np.newaxis, :].astype(np.float32)

# 2. Run ONNX Session
sess = ort.InferenceSession("model.int8.onnx", providers=["CPUExecutionProvider"])
spk0, spk1 = sess.run(None, {"inputs": audio_in})

# 3. RMS Renormalization
rms_input = np.sqrt(np.mean(audio ** 2))
spk0_norm = (spk0[0] / (np.sqrt(np.mean(spk0[0]**2)) + 1e-12)) * rms_input
spk1_norm = (spk1[0] / (np.sqrt(np.mean(spk1[0]**2)) + 1e-12)) * rms_input

# 4. Save separated streams
sf.write("speaker0.wav", spk0_norm, 16000)
sf.write("speaker1.wav", spk1_norm, 16000)

License

Apache-2.0

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
abd8b12

0 моделей