/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
pytorch
Опубликована
17 сен 2026

LSE-Prescription-MM-DiT-v5

Обработка аудиоАудио → аудио

Система выборочного улучшения англоязычной речи, подавляющая белый и розовый шум с защитной маршрутизацией обработки.

0скачиваний за 30 дней0лайковвеса обновлены17 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

LSE Prescription-MM-DiT v5 — исследовательская система улучшения речи, опубликованная Jatshi. Она объединяет MM-DiT на 51,7 млн параметров, LoRA-планировщик на базе Qwen2.5-1.5B-Instruct и акустический маршрутизатор ExtraTrees с защитной фильтрацией. Модель принимает аудио и предназначена для выборочного подавления белого и розового шума; в других случаях, включая чистую речь, реверберацию, телефонную фильтрацию и низкую уверенность, система отклоняет обработку или возвращает исходный сигнал.

На тестовой выборке из 200 примеров система показала улучшение SI-SDR на 0,1139 дБ, улучшение SNR на 0,1319 дБ и PESQ 2,0268. Авторы прямо ограничивают заявление безопасным выборочным улучшением речи: результат уступил DeepFilterNet3 на подмножестве с шумом. Оценка проведена на небольшой англоязычной выборке LibriSpeech; подтверждений для многоязычной речи, перекрывающихся говорящих, дальнего микрофона или производственного трафика нет. Для работы нужны PyTorch-чекпойнт и маршрутизатор; README предупреждает, что их сериализованные форматы следует загружать только из доверенного источника. Лицензия — MIT; веса базовой Qwen и аудио LibriSpeech в пакете не распространяются.

Сценарии применения

  • подавление белого шума в записи речи
  • подавление розового шума в аудиозаписях
  • выборочное улучшение речи с отказом при низкой уверенности

Ограничения

Поддерживаются только белый и розовый шум; чистая речь, реверберация, телефонная фильтрация и случаи низкой уверенности отклоняются или возвращаются без изменений. Оценка основана на небольшой англоязычной выборке, а результаты уступили DeepFilterNet3 по SI-SDRi на зашумлённом подмножестве.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LSE Prescription-MM-DiT v5

This release is a three-component, safety-gated speech-enhancement research system:

  1. a 51.7M-parameter Prescription-MM-DiT trained as an observed-source residual rectified flow;
  2. a Qwen2.5-1.5B LoRA planner that emits strict JSON actions and explanations;
  3. an ExtraTrees acoustic router calibrated on the validation split and restricted to executable white/pink-noise actions.

The matching source is available at Jatshi/llm-guided-speech-enhancement, tag v5.0.0.

Package layout

PathPurpose
mmdit/checkpoint-best.ptStep-10,000 MM-DiT checkpoint and embedded architecture/flow config.
planner-adapter/Full-sequence SFT LoRA and tokenizer files for Qwen2.5-1.5B-Instruct.
router/extra_trees_safe.joblibTrain-only fitted acoustic classifier used by the hybrid planner.
evaluation/Final report, summary, per-sample table, and training/stage manifests.
configs/Exact final training and safety-gated evaluation configurations.

Only load the PyTorch checkpoint and joblib router from a trusted source: both serialization formats can execute code during deserialization. Verify hashes before use.

Training and data

  • Public source: LibriSpeech dev-clean.
  • Conditions: clean, white noise, pink noise, reverberation, and telephone-band filtering.
  • Split: 1,600 train / 200 validation / 200 test, with 25 / 4 / 4 disjoint speakers.
  • Test labels were not used to fit MM-DiT, LoRA, or ExtraTrees.
  • MM-DiT: 10,000 steps, best validation loss 0.0735645, 1,803.97 seconds on one RTX 4080 SUPER 32 GB.
  • Planner SFT: 300 steps; 200/200 test generations were strict-valid JSON.
  • Confidence threshold: 0.70, selected on validation only.

Held-out evaluation

The final test ran 200 examples across six arms (1,200 rows). The safety-gated predicted arm reports:

MetricResult
SI-SDR improvement+0.1139 dB
SNR improvement+0.1319 dB
PESQ2.0268
STOI0.8812
Mean MM-DiT latency71.97 ms/sample
Fallback rate76.5%

DeepFilterNet3 achieved +0.374 dB mean SI-SDR improvement on the non-clean subset, compared with +0.142 dB for this system. The v5 claim is therefore safe selective enhancement, not universal or state-of-the-art denoising. Aggregate DeepFilterNet SI-SDRi is distorted by the clean condition's near-degenerate reference SI-SDR and should not be used as the sole comparison.

Inference

Download the model package into the source repository and run:

python -m lse_v2.mmdit.infer \
  --checkpoint mmdit/checkpoint-best.pt \
  --input noisy.wav \
  --prescription examples/mmdit_prescription.json \
  --output enhanced.wav

To reproduce the final hybrid planner and full six-arm benchmark, follow docs/MMDIT_AUTODL_RUNBOOK.md.

Limitations

  • The trained enhancement action currently supports white/pink noise; clean, reverb, telephone, and low-confidence cases are intentionally rejected or returned unchanged.
  • The pure LLM diagnosis accuracy is 29.5%; the published 79% value belongs to the ExtraTrees acoustic router, not the LLM.
  • The test set is small and English-only. No claim is made for multilingual, overlapping-speaker, far-field, or real production traffic.
  • The benchmark's reference-based rollback is an evaluation tool. Production use requires a calibrated no-reference quality/safety estimator.
  • The package does not redistribute Qwen base weights or LibriSpeech audio.

Integrity

Key SHA-256 values:

d8e1677d15b3ad6b53b87a1a08c3b95c4dc1c028dfa237267646d5d7b8306c21  evaluation_report.json
777a4ca76efe2d00ad66a74e5cf198c018f7639951b93c04630a6c6bed51b27f  extra_trees_safe.joblib
868bf0918a649f3e7b0feb7638dfface83dd2abcbd5274510823db4cb43832e7  planner adapter_model.safetensors

See the packaged SHA256SUMS for the MM-DiT checkpoint and every uploaded release file.

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
b5eb29e

0 моделей