/ Модель

Характеристики

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

vocoder-small

Синтез речиТекст → аудио3 профессии

Вокодер HiFi-GAN/BigVGAN преобразует мел-спектрограмму и эмбеддинг диктора в речь с частотой 24 кГц, автоматически добавляя фиксированную метку происхождения.

8скачиваний 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/vocoder-small — нейронный вокодер VocBulwark на архитектуре HiFi-GAN с генератором BigVGAN и активацией snakebeta. Он преобразует логарифмическую мел-спектрограмму с 96 каналами в монофонический аудиосигнал с частотой 24 кГц; для управления тембром принимает заранее рассчитанный эмбеддинг диктора размерности 768. Модель предназначена для синтеза речи из акустических признаков и работает как компонент конвейера text-to-speech, а не как самостоятельная система преобразования текста в речь.

Каждый сгенерированный фрагмент автоматически получает фиксированную 32-битную метку происхождения, которую нельзя отключить или изменить через этот интерфейс. Для обнаружения метки предусмотрена отдельная модель-детектор. Для корректного управления голосом нужен эмбеддинг от энкодера диктора, с которым обучали вокодер; эмбеддинг от несовместимого энкодера может работать неправильно. Модель обучалась на многоязычных наборах Multilingual LibriSpeech и Common Voice. Лицензия — CC BY 4.0. Разработчик предостерегает от клонирования голоса реальных людей без согласия и от обманного использования.

Сценарии применения

  • генерация речи из мел-спектрограмм
  • восстановление аудиоволны по акустическим признакам
  • синтез речи с условием на эмбеддинг диктора
  • создание аудио с меткой происхождения для последующей проверки

Ограничения

Модель принимает мел-спектрограмму и эмбеддинг диктора, поэтому сама по себе не преобразует текст в речь. Фиксированная 32-битная метка добавляется всегда; для корректного голосового условия необходим эмбеддинг от совместимого энкодера диктора.

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 32-bit provenance watermark for provenance — 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.

For higher watermark capacity (50-bit) and a larger generator (1536 initial channels vs 512), see the large model variant mlr2000/vocoder-large.

Companion Models

This model is part of a set of 6 repositories:

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

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 512, upsample rates [4, 4, 2, 2, 2, 2]
Watermark32-bit fixed VocBulwark signature, always embedded
Framework🤗 Transformers, PyTorch, safetensors

Usage

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("mlr2000/vocoder-small", 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 H100 PCIe GPUs
Training objectiveDiscriminator-free: mel spectrogram + WavLM + wav2vec 2.0 + Whisper encoder losses
Effective batch size32
Learning rate1e-3

Watermark

Every clip this model generates carries a fixed 32-bit provenance watermark (config.fixed_watermark). It is embedded automatically inside forward and cannot be disabled or changed through this interface — there is deliberately no watermark argument to override. To check whether a given audio came from this model, use the companion detector repo, which extracts the bits and compares them to the same fixed code.

To verify whether a given audio clip was generated by this model, use the companion detector repo (mlr2000/vocoder-small-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 speaker 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 or 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
1fdc661

0 моделей