/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
7 авг 2026

lilac

Обработка аудиоАудио → аудио

LILAC — нейрокодек для сжатого кодирования и восстановления речи 24 кГц с битрейтом 0,75 кбит/с и точным повторением кодов при повторном перекодировании.

0скачиваний за 30 дней0лайковвеса обновлены7 авг 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

LILAC — нейрокодек речи, представленный в препринте, который проходит рецензирование. Модель разработана для кодирования и восстановления речи с частотой дискретизации 24 кГц при битрейте 0,75 кбит/с. Она использует только свёрточные слои, обратимое аналитическое преобразование, конечное скалярное квантование и сеть для восстановления отброшенных координат; генератор содержит 58,5 млн параметров.

Ключевая особенность LILAC — идемпотентность: повторное кодирование декодированного аудио побитово воспроизводит исходную последовательность токенов, в том числе после многократных циклов. Модель предназначена для компактного представления речи и сценариев, где важна устойчивость к повторным циклам кодирования и декодирования. В README приведены результаты оценки на LibriSpeech test-clean и LibriTTS-R; обучение проводилось на речи HiFiTTS-2, а тестовые корпуса исключались из обучающих данных.

Модель опубликована под лицензией Apache-2.0. Карточка не описывает поддержку языков отдельно; оценка проведена на англоязычных корпусах. Для использования README ссылается на сопутствующий репозиторий кода, ссылка в карточке не заполнена.

Сценарии применения

  • низкобитрейтное кодирование речевых записей
  • восстановление речи после сжатия
  • многократное перекодирование речи без изменения кодов
  • оценка качества нейрокодеков на речевых корпусах

Ограничения

В README представлены результаты на двух тестовых корпусах, но отсутствуют сведения о поддержке других языков и характеристиках работы на них. Для запуска требуется сопутствующий репозиторий кода, ссылка на который в карточке не заполнена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LILAC: An Idempotent Neural Speech Codec (0.75 kb/s)

Preprint; under peer review.

LILAC is a neural speech codec for 24 kHz speech at 0.75 kb/s (9.375 Hz frame rate, 20 FSQ coordinates × 4 bits per frame) that is idempotent by construction: re-encoding its own decoded output reproduces the token stream exactly — encode(decode(codes)) == codes — for any number of decode/re-encode cycles. Quality, intelligibility, and downstream metrics are therefore invariant under repeated cycles, where comparison codecs degrade.

The codec is convolution-only: an invertible analysis chart (orthogonal 1×1 mixes + additive couplings), finite scalar quantization on a selected coordinate subset, a deterministic fill network for the discarded coordinates, and an invertible anti-imaging stem acting on the five waveform phases.

Files

  • lilac_swa10.pt — the shipping checkpoint (58.5 M generator parameters, stochastic weight averaging over the final ten 1k-spaced training checkpoints).

Usage

With the companion code repository (https://github.com/Rick-McCoy/lilac-codec):

uv run python infer.py --checkpoint lilac_swa10.pt \
    --input in.wav --output out.wav
# idempotence demo: 100 decode->re-encode cycles, codes bit-exact
uv run python infer.py --checkpoint lilac_swa10.pt \
    --input in.wav --output out100.wav --cycles 100

Input is resampled to 24 kHz mono; output is 24 kHz PCM16.

Evaluation (full test splits, matched-rate comparison in the paper)

CorpusUTMOS ↑dWER ↓PESQ ↑STOI ↑
LibriSpeech test-clean (out-of-domain)4.140.1012.600.935
LibriTTS-R test (out-of-domain)4.240.0862.600.944

Token agreement across 100 decode/re-encode cycles: 1.000 (bit-exact).

Training data

Trained on the 44.1 kHz subset of HiFiTTS-2 (LibriVox-derived, ~31,700 h, 4,629 speakers), resampled to 24 kHz. LibriSpeech and LibriTTS(-R) readers are excluded by ID filter; evaluation corpora are out-of-domain.

Citation

@misc{yi2026lilac,
  title={LILAC: An Idempotent Neural Speech Codec},
  author={Yi, June Young and Lee, Dongwook and Yeom, Jiheum and Yoon, Sungroh},
  year={2026},
  eprint={2608.05727},
  archivePrefix={arXiv},
  primaryClass={cs.SD}
}

License

Apache-2.0. Copyright 2026 LILAC authors.

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
e65bc99

0 моделей