/ Модель

Характеристики

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

vocoder-small-speaker-encoder

ЭмбеддингиТекст → embedding

Энкодер VocBulwark преобразует аудиофрагмент говорящего в 768-мерный эмбеддинг для проверки сходства голосов и управления совместимым вокодером.

9скачиваний 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 извлечения признаков голоса. Она преобразует монофоническую аудиоволну в фиксированный вектор эмбеддинга говорящего размерностью 768. Архитектура основана на Wav2Vec2 с attentive statistics pooling; модель обучена с целевой функцией GE2E.

Эмбеддинг предназначен для передачи в совместно обученный малый вокодер mlr2000/vocoder-small, чтобы синтезировать речь голосом из референсного аудиофрагмента. Его также можно использовать самостоятельно для проверки совпадения говорящих и оценки сходства голосов. Входная частота дискретизации — 22,05 кГц; аудио с другой частотой нужно предварительно пересэмплировать.

Модель распространяется в формате safetensors и загружается через Transformers с trust_remote_code=True. Лицензия — CC BY 4.0. Эмбеддинги этого энкодера не подходят для корректного управления вокодером, обученным с другим энкодером; модель не предназначена для идентификации или наблюдения за людьми без их согласия.

Сценарии применения

  • извлечение эмбеддинга голоса из референсной записи
  • подготовка голосового условия для синтеза речи вокодером mlr2000/vocoder-small
  • проверка совпадения двух голосов
  • оценка сходства голосов по аудиозаписям

Ограничения

Для корректной работы с вокодером требуется парный mlr2000/vocoder-small; вход должен быть монофоническим и иметь частоту 22,05 кГц либо быть предварительно пересэмплирован. Не предназначена для идентификации или наблюдения за людьми без согласия.

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

Usage

import torchaudio, torchaudio.functional as AF
from transformers import AutoModel

enc = AutoModel.from_pretrained("mlr2000/vocoder-small-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 small 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-small. For the large vocoder (mlr2000/vocoder-large) use the companion large speaker encoder (mlr2000/vocoder-large-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
e8c522a

0 моделей