/ Модель

Характеристики

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

vocoder-large-speaker-encoder

ЭмбеддингиТекст → embedding3 профессии

Энкодер VocBulwark преобразует голосовой фрагмент в 768-мерный эмбеддинг для проверки сходства говорящих и управления совместимым вокодером.

19скачиваний 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

VocBulwark speaker encoder — модель mlr2000 для преобразования монофонической аудиозаписи в фиксированный 768-мерный вектор признаков голоса. Это энкодер на основе Wav2Vec2 с attentive statistics pooling, обученный с целевой функцией GE2E. Для входа требуется аудио с частотой 22,05 кГц; модель предназначена для получения эмбеддинга по эталонному голосовому фрагменту и передачи его в совместно обученный вокодер VocBulwark large для синтеза речи этим голосом.

Эмбеддинги также подходят для сравнения голосов и проверки сходства или совпадения говорящего. Для корректного управления вокодером нужен энкодер из той же связки; векторы от других энкодеров могут не подойти. Лицензия — CC BY 4.0.

Сценарии применения

  • извлечение эмбеддинга голоса из эталонной аудиозаписи
  • проверка совпадения говорящего в двух аудиофрагментах
  • сравнение голосового сходства между записями
  • передача характеристик голоса в VocBulwark large для синтеза речи

Ограничения

Принимает монофонический сигнал с частотой 22,05 кГц; аудио с другой частотой нужно предварительно пересэмплировать. Для условного синтеза речи требуется совместимый вокодер VocBulwark large и этот энкодер; не следует применять для идентификации или наблюдения за людьми без их согласия.

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 speaker encoder

Standalone speaker encoder: turns a raw waveform into a fixed 768-dimensional speaker embedding. It is the conditioning front-end for the companion VocBulwark vocoder — compute an embedding once from a reference clip of a speaker, then pass it to the vocoder to synthesize in that voice. The embedding is also usable on its own for speaker verification / similarity.

Wav2Vec2-based encoder with attentive statistics pooling, trained with a GE2E objective. Self-contained: loads with trust_remote_code=True, no training repo required.

Companion Models

This speaker encoder is part of a set of 6 repositories:

RepoRole
mlr2000/vocoder-largeLarge vocoder (generates the watermarked audio)
mlr2000/vocoder-large-watermark-detectorWatermark detector for the large model
mlr2000/vocoder-large-speaker-encoderSpeaker encoder (this repo)
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 torchaudio, torchaudio.functional as AF
from transformers import AutoModel

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

wav, sr = torchaudio.load("reference.wav")             # [C, T]
wav = wav.mean(0, keepdim=True)                        # mono [1, T]
if sr != enc.config.raw_sample_rate:                   # encoder expects 22.05 kHz
    wav = AF.resample(wav, sr, enc.config.raw_sample_rate)

emb = enc.embed(wav)          # [1, 768]  — feed as speaker_embedding to the vocoder

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

Notes

  • Input: mono waveform at 22.05 kHz (config.raw_sample_rate). Resample first if your audio differs.
  • Output: [B, 768] L2-comparable speaker embeddings.
  • Pair with the VocBulwark vocoder trained jointly with this encoder — an embedding from a different encoder will not condition the vocoder correctly.
  • This encoder is paired with mlr2000/vocoder-large. For the small vocoder (mlr2000/vocoder-small) use the companion small speaker encoder (mlr2000/vocoder-small-speaker-encoder).
  • Not intended for speaker identification or surveillance of individuals without consent.

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
SpeakerEncoder
Ревизия весов
7ef8c9b

0 моделей