/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
hifi_gan · dense
Библиотека
transformers
Опубликована
17 июл 2026

vocoder-large

Синтез речиТекст → аудио3 профессии

VocBulwark HiFi-GAN преобразует мел-спектрограммы в речь с заданным эмбеддингом говорящего и автоматически добавляет водяной знак происхождения.

42скачиваний за 30 дней0лайковвеса обновлены17 июл 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

mlr2000 выпустил VocBulwark HiFi-GAN — нейронный вокодер на базе генератора BigVGAN с архитектурой HiFi-GAN. Он преобразует логарифмическую мел-спектрограмму из 96 каналов в монофоническую аудиоволну с частотой 24 кГц, используя заранее рассчитанный эмбеддинг голоса размерностью 768 для управления тембром. Это компонент набора из шести репозиториев с отдельными моделями кодирования говорящего и обнаружения водяного знака.

Вокодер предназначен для синтеза речи по акустическим признакам и эмбеддингу говорящего. Каждый созданный фрагмент автоматически получает фиксированный 50-битный водяной знак происхождения, который нельзя отключить или изменить через интерфейс модели. Для корректного управления голосом нужен эмбеддинг от энкодера говорящего, с которым обучали вокодер; несовместимый энкодер может нарушить это управление. Обучение проводилось на многоязычных наборах Multilingual LibriSpeech и Common Voice. Модель распространяется по лицензии CC BY 4.0.

Сценарии применения

  • синтез речи из мел-спектрограммы
  • восстановление аудиоволны из акустических признаков
  • генерация речи с заданным эмбеддингом говорящего
  • создание речи с водяным знаком для определения её происхождения

Ограничения

Модель принимает мел-спектрограмму и эмбеддинг говорящего, а не произвольный текст; для корректного управления голосом требуется эмбеддинг от совместимого энкодера. Водяной знак фиксирован и не отключается через интерфейс модели.

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

VocBulwark HiFi-GAN — watermarking neural vocoder (inference export)

Speaker-conditioned BigVGAN / HiFi-GAN neural vocoder. It turns an input mel-spectrogram (what is said) into a 24 kHz waveform, conditioned on a precomputed 768-d speaker embedding (whose voice). Every clip it generates carries a fixed 50-bit provenance watermark that identifies this specific model instance, see Watermark.

This is the lean, inference-only vocoder: the frozen perceptual-loss base models (Whisper / WavLM / Wav2Vec2), the training discriminators, and the speaker encoder have all been stripped, you pass the speaker embedding in. Use the companion speaker-encoder repo to turn a reference clip into that embedding. The modeling code is bundled, so it loads with trust_remote_code=True without the training repo.

Model summary

ArchitectureHiFiGANArchitecture (BigVGAN generator, snakebeta activation)
Inputslog-mel spectrogram (96 mel channels) + speaker embedding (768-d)
Outputmono waveform, 24 kHz
Speaker conditioningprecomputed embedding (from the companion speaker encoder)
Generatorinitial channels 1536, upsample rates [4, 4, 2, 2, 2, 2]
Watermark50-bit fixed VocBulwark signature, always embedded
Framework🤗 Transformers, PyTorch, safetensors

Companion Models

This model is part of a set of 6 repositories:

RepoRole
mlr2000/vocoder-largeLarge vocoder (this repo)
mlr2000/vocoder-large-watermark-detectorWatermark detector for the large model
mlr2000/vocoder-large-speaker-encoderSpeaker encoder for the large model
mlr2000/vocoder-smallSmall vocoder
mlr2000/vocoder-small-watermark-detectorWatermark detector for the small model
mlr2000/vocoder-small-speaker-encoderSpeaker encoder for the small model

Usage

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("mlr2000/vocoder-large", trust_remote_code=True).eval()

mel = torch.randn(1, model.config.hifigan_in_channels, 200)      # [B, mel, T]
emb = torch.randn(1, model.config.speaker_embedding_size)        # [B, 768] from the speaker encoder
with torch.no_grad():
    audio = model(mel_spectrogram=mel, speaker_embedding=emb).audio
# audio: [B, 1, samples] @ model.config.target_sample_rate

See example_roundtrip.ipynb in this repo for the full pipeline (reference clip → speaker encoder → embedding → vocode → verify watermark).

Training

Training dataMultilingual LibriSpeech (8 languages, ~22,200h) and Common Voice (14 languages, ~3,000h)
Training steps1,000,000
Hardware2 × NVIDIA H200 GPUs
Training objectiveDiscriminator-free: mel spectrogram + WavLM + wav2vec 2.0 + Whisper encoder losses
Effective batch size32
Learning rate1e-4

Watermark

Every clip this model generates carries a fixed 50-bit provenance watermark (config.fixed_watermark) that identifies this specific model instance. It is embedded automatically inside forward and cannot be disabled or changed through this interface — there is deliberately no watermark argument to override.

To verify whether a given audio clip was generated by this model, use the companion detector repo (mlr2000/vocoder-large-watermark-detector), which extracts the embedded bits and compares them to the known fixed code.

Notes

  • Inputs: log-mel spectrogram (config.hifigan_in_channels channels) and a [B, config.speaker_embedding_size] speaker embedding.
  • Output: mono waveform at config.target_sample_rate.
  • Use the embedding from the speaker encoder this vocoder was trained with, a mismatched encoder will not condition it correctly.
  • Not intended for voice cloning of real individuals without consent, or any deceptive / impersonation use.

Citation

If you use this model, please cite:

@misc{muletta2026,
  title  = {Training a Discriminator-Free Foundation Vocoder 
             with Integrated Audio Watermarking},
  author = {Muletta, Romolo and Deriu, Jan},
  year   = {2026},
  note   = {VT2 Project Report, ZHAW School of Engineering}
}

License

cc-by-4.0. Trained on MLS (CC-BY-4.0) and Common Voice (CC0); builds on BigVGAN (MIT) and wav2vec 2.0 (Apache-2.0). Please retain attribution when redistributing or building on this model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
HiFiGANArchitecture
Ревизия весов
f6d3f28

0 моделей