/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
dashengtokenizer · dense
Библиотека
transformers
Опубликована
12 фев 2026

dashengtokenizer

Обработка аудиоАудио → аудио3 профессии

Токенизатор непрерывного аудио для извлечения представлений, понимания и генерации звука, а также задач улучшения речи.

743скачиваний за 30 дней15лайковвеса обновлены21 апр 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

DashengTokenizer — аудиотокенизатор семейства Dasheng, опубликованный пользователем mispeech. Он преобразует непрерывное аудио в представление для задач понимания и генерации звука; README также описывает извлечение признаков, восстановление сигнала и применение в улучшении речи. Архитектура представлена классом DashengTokenizerModel; модель использует формат safetensors и библиотеку Transformers.

Модель предназначена для построения аудиосистем, которым нужно кодировать звук для последующей генерации, анализа или очистки речи. В README заявлены высокая точность понимания аудио, сохранение качества при восстановлении сигнала и более быстрое обучение генерации по сравнению с обычными VAE, но количественные результаты в карточке не приведены. Оптимизирована для монофонического аудио с частотой дискретизации 16 кГц. Лицензия — Apache-2.0.

Сценарии применения

  • кодирование аудио для систем генерации звука
  • извлечение признаков из аудиосигнала
  • подготовка аудиоданных для моделей понимания звука
  • восстановление аудио после кодирования
  • основа для улучшения речи в шумных записях

Ограничения

Оптимизирована для монофонического аудио с частотой 16 кГц. Заявления о качестве и скорости в README не сопровождаются количественными результатами.

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

DashengTokenizer

DashengTokenizer is a high-performance continious audio tokenizer designed for audio understanding and generation tasks. Compared to previous works, our framework trains a single linear layer to enable audio generation for semantically strong encoders.

Achievements:

  • State-of-the-Art Audio Understanding: DashengTokenizer consistently outperforms most previous self-supervised and supervised audio encoders.
  • High-Fidelity Signal Reconstruction: Maintains exceptional signal integrity, ensuring that audio remains crisp and accurate after processing.
  • Accelerated Audio Generation Training: Achieves optimal performance significantly faster than standard VAE models, reducing training time and costs.
  • Superior Speech Enhancement: Provides a more robust encoding foundation for isolating and clarifying speech in noisy environments.

Framework

Usage

Installation

uv pip install transformers torch torchaudio einops

Basic Usage

import torch
import torchaudio
from transformers import AutoModel

# Load the model
model = AutoModel.from_pretrained("mispeech/dashengtokenizer", trust_remote_code=True)
model.eval()

# Load audio file (only 16kHz supported!)
audio, sr = torchaudio.load("path/to/audio.wav")

# Optional: Create attention mask for variable-length inputs
# attention_mask = torch.ones(audio.shape[0], audio.shape[1])  # All ones for full audio
# attention_mask[0, 8000:] = 0  # Example: mask second half of first sample

# Method 1: End-to-end processing (encode + decode)
with torch.no_grad(), torch.autocast(device_type='cuda'):
    outputs = model(audio)  # Optionally pass attention_mask=attention_mask
    reconstructed_audio = outputs["audio"]
    embeddings = outputs['embeddings']

# Method 2: Separate encoding and decoding
with torch.no_grad(), torch.autocast(device_type='cuda'):
    # Encode audio to embeddings
    embeddings = model.encode(audio)  # Optionally pass attention_mask=attention_mask

    # Decode embeddings back to audio
    reconstructed_audio = model.decode(embeddings)

# Save reconstructed audio
torchaudio.save("reconstructed_audio.wav", reconstructed_audio, sr)

Use Cases

1. Audio Encoding

embeddings = model.encode(audio)
reconstructed = model.decode(embeddings)

2. Feature Extraction

# Extract rich audio features for downstream tasks
features = model.encode(audio)
# Use features for classification, clustering, etc.

Limitations

  • Optimized for 16kHz mono audio

Results

Audio Generation Results Audio Understanding Results

Citation

If you use DashengTokenizer in your research, please cite:

@misc{dinkel_dashengtokenizer_2026,
  title={DashengTokenizer: One layer is enough for unified audio understanding and generation},
  author={MiLM Plus, Xiaomi},
  year={2026},
  url={https://huggingface.co/mispeech/dashengtokenizer}
}

License

Apache 2.0 License

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
DashengTokenizerModel
Ревизия весов
46a0902

0 моделей