/ Модель

Характеристики

Размер весов
1,7 ГБ
Лицензия
MIT
Базовая модель
MuseTalk
Библиотека
mlx
Опубликована
5 июн 2026

MuseTalk-1.5-fp16

Преобразование изображенийИзображение, текст → изображение3 профессии

Порт MuseTalk 1.5 для Apple Silicon синхронизирует движение губ на изображении лица с аудиозаписью.

904скачиваний за 30 дней6лайковвеса обновлены5 июн 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

MuseTalk-1.5-fp16 — порт модели MuseTalk 1.5 на MLX, подготовленный сообществом mlx-community на основе TMElyralab и Tencent Music. Модель синхронизирует движение губ лица с аудиозаписью, используя одношаговое заполнение в латентном пространстве, а не диффузионную генерацию. В репозитории находятся компоненты UNet, VAE и аудиокодировщик Whisper-tiny в формате fp16; вычисления оптимизированы для Apple Silicon и выполняются без PyTorch.

На GPU серии M README указывает скорость около 34 сгенерированных лиц размером 256 × 256 в секунду при пакетной обработке и пиковое потребление памяти около 7 ГБ. Для распознавания и обрезки лица, а также смешивания результата с исходным кадром используется предварительная обработка из upstream-проекта MuseTalk. Репозиторий распространяется по лицензии MIT, допускающей коммерческое использование.

Сценарии применения

  • синхронизация губ говорящего на видео с новой аудиодорожкой
  • создание говорящей головы из изображения лица и аудио
  • локальная генерация синхронизированных с речью лиц на Mac с Apple Silicon

Ограничения

Для обработки требуется предварительно подготовленный кроп лица и признаки аудио от Whisper; обнаружение и обрезка лица, а также вставка результата выполняются отдельной CPU-предобработкой. Заявленная производительность относится к GPU серии M и пакетной обработке.

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

MuseTalk 1.5 — MLX (fp16)

Apple-MLX port of MuseTalk 1.5 (TMElyralab / Tencent Music) — realtime, high-quality lip-sync via single-step latent-space inpainting (not diffusion). Runs natively on Apple Silicon. MIT-licensed, commercial use OK.

This variant: Full fp16 (VAE + UNet + Whisper encoder). Decoded-face error vs the PyTorch reference: mean |Δ| ≈ 0.32/255.

Components (all in this repo, self-contained, torch-free)

FileWhat
unet.safetensorsSD1.x UNet2DConditionModel (in=8, out=4, cross_attn=384), single-step t=0
vae.safetensorssd-vae-ft-mse AutoencoderKL (fp16)
whisper_encoder.safetensorswhisper-tiny audio encoder (fp16)
config.jsondtype / quantization / scaling factor

Performance

Realtime on an M-series GPU: ~34 generated 256² faces/sec at batch 8 (>25 fps video rate), ~7 GB peak. fp16 inference.

Usage

from musetalk_mlx.pipeline_mlx import MuseTalkPipeline
pipe = MuseTalkPipeline.from_pretrained_mlx("MuseTalk-1.5-MLX-fp16")
# crop_bgr: a 256x256 face crop; chunks: (N,50,384) whisper audio features
latents = pipe.get_latents_for_unet(crop_bgr)
faces = pipe.generate_faces(latents, audio_chunks)   # BGR uint8 lip-synced faces

Face detection / cropping / paste-back blending use the upstream (MuseTalk) CPU preprocessing.

Parity (vs PyTorch, cpu fp32)

VAE encode 1.7e-5 · decode 3.4e-5 · UNet forward 1.4e-6 · whisper encoder 1.6e-5 · face-level e2e recon ≤ 2/255.

License

MIT (mirrors upstream MuseTalk). Dependency models keep their own permissive licenses. Port by MVS Collective (xocialize-code).

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
ad54104

0 моделей