/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
2 авг 2026

MeanVC2

Обработка аудиоАудио → аудио

Производная модели ASLP-lab/MeanVC2. MeanVC2 — потоковая модель преобразования голоса с нулевым обучением на новом голосе и заявленной задержкой первого аудиопакета 110 мс.

0скачиваний за 30 дней1лайквеса обновлены2 авг 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

Карточка модели mrfakename/MeanVC2 на Hugging Face совпадает с карточкой ASLP-lab/MeanVC2, поэтому описание составлено по ней.

MeanVC2 — система потокового преобразования голоса с нулевым обучением на новом голосе, разработанная ASLP-lab. Модель использует диффузионную схему conditional flow matching, разбиение аудио на чанки с учётом будущего контекста (Future-Receptive Chunking) и универсальный кодировщик тембра Universal Timbre Token Encoder.

Система предназначена для преобразования голоса с низкой задержкой: заявлена сквозная задержка первого аудиопакета 110 мс при размере чанка 40 мс. Модель принимает аудио и выдаёт преобразованное аудио; в метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

В README заявлены высокая схожесть с целевым голосом и естественность звучания, в том числе при потоковой обработке короткими чанками. Доступная часть карточки не содержит сведений о размере модели, конкретных способах запуска или подробных ограничениях качества.

Сценарии применения

  • потоковое преобразование голоса с низкой задержкой
  • перенос тембра говорящего на целевой голос
  • преобразование речи в приложениях реального времени

Ограничения

Заявленные задержка, сходство голосов и естественность звучания приведены в README, но в доступном фрагменте нет подробностей методики оценки и условий тестирования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MeanVC2: Robust Low-Latency Streaming Zero-Shot Voice Conversion

Paper Github Demo Page

MeanVC2 is a robust, low-latency streaming zero-shot voice conversion (VC) system built upon the diffusion-based conditional flow matching (CFM) framework. By introducing Future-Receptive Chunking (FRC) and a Universal Timbre Token Encoder (UTTE), MeanVC2 achieves high-fidelity voice conversion with an end-to-end pipeline latency of only 110 ms while maintaining superior speaker similarity and audio naturalness even with a 40 ms chunk size.

img

✨ Key Features

  • 🚀 Ultra-Low Latency Streaming: 110 ms end-to-end first-packet latency with 40 ms chunk size; full pipeline RTF < 0.633 on single CPU core.
  • ⚡ Single-Step Generation: Mean flows + 1-NFE ODE solving for high-quality mel-spectrogram synthesis.
  • 🎯 Zero-Shot Capability: Convert to any unseen target speaker without re-training, robust under low-quality reference audio.
  • 💾 Lightweight: Only 18M parameters — far smaller than competing streaming VC systems.
  • 🔊 High Fidelity: Future-Receptive Chunking (FRC) with Universal Timbre Token Encoder (UTTE) for pronunciation-aware timbre modeling.

📁 Model Checkpoints

This repository hosts all pretrained models for MeanVC2:

Voice Conversion Models

FileDescription
meanvc2_120ms_40ms.safetensors120ms chunk + 40ms future (recommended for quality)
meanvc2_40ms_40ms.safetensors40ms chunk + 40ms future (lower latency)

Vocoder (JIT)

FileDescription
vocos.ptVocos JIT-traced vocoder

ASR Encoder (Fast-U2++ JIT)

FileDescription
fastu2pp_80ms.pt80ms chunk JIT model (11-frame window, stride=8)
fastu2pp_160ms.pt160ms chunk JIT model (19-frame window, stride=16)

💻 Quick Start

1. Clone and Install

git clone https://github.com/ASLP-lab/MeanVC2.git
cd MeanVC2

conda create -n meanvc2 python=3.11 -y
conda activate meanvc2

pip install torch==2.5.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

2. Download Pretrained Models

python initialization.py --task all

Or download selectively:

python initialization.py --task preprocess   # BN + SpkEmb extraction only
python initialization.py --task train_120ms  # preprocess + 120ms VC + vocoder
python initialization.py --task train_40ms   # preprocess + 40ms VC + vocoder

3. End-to-End Voice Conversion

No pre-extracted features needed — input two wavs, output converted audio:

# 120ms+40ms model (recommended for quality)
python src/infer/infer_e2e.py \
    --source-wav /path/to/source.wav \
    --target-wav /path/to/target.wav \
    --ckpt-path ckpts/pretrained_models/meanvc2_120ms_40ms.safetensors \
    --model-config src/config/config_120ms_40ms.json \
    --vocoder-ckpt-path ckpts/vocos/vocos.pt \
    --chunk-size 12 --steps 3 \
    --output-wav output.wav

# 40ms+40ms model (lower latency)
python src/infer/infer_e2e.py \
    --source-wav /path/to/source.wav \
    --target-wav /path/to/target.wav \
    --ckpt-path ckpts/pretrained_models/meanvc2_40ms_40ms.safetensors \
    --model-config src/config/config_40ms_40ms.json \
    --vocoder-ckpt-path ckpts/vocos/vocos.pt \
    --chunk-size 4 --steps 3 \
    --output-wav output.wav

4. Real-Time Streaming

cd runtime

# File mode
python run_rt.py --mode file --input in.wav --output out.wav --model 120ms

# Microphone mode
python run_rt.py --mode realtime --model 40ms

🏗️ Model Architecture

ComponentDescription
Streaming ASR EncoderFast-U2++ (WeNet) extracts bottleneck features (BNFs) from source waveform
Speaker EncoderECAPA-TDNN + WavLM upstream extracts global speaker embedding from reference audio
Universal Timbre Token Encoder (UTTE)Transforms speaker embedding into K key-value UTT pairs; BNFs serve as queries in cross-attention for fine-grained, pronunciation-aware timbre cues
DiT-based CFM Decoder4-layer DiT (hidden dim 512, 2 heads) with Future-Receptive Chunking (FRC); trained with mean flows objective for 1-NFE mel-spectrogram generation
VocoderVocos converts mel-spectrograms to 16 kHz high-fidelity speech waveforms

Total parameters: ~18M

📜 License & Disclaimer

MeanVC2 is released under the Apache License 2.0. This open-source license allows you to freely use, modify, and distribute the model, as long as you include the appropriate copyright notice and disclaimer.

MeanVC2 is designed for research and legitimate applications in voice conversion technology. Users must obtain proper consent from individuals whose voices are being converted or used as references. We strongly discourage malicious use including impersonation, fraud, or creating misleading audio content. Users are solely responsible for ensuring compliance with ethical standards and legal requirements.

📄 Citation

If you find our work helpful, please cite:

@article{ma2026meanvc2,
  title={MeanVC2: Robust Low-Latency Streaming Zero-Shot Voice Conversion},
  author={Ma, Guobin and Xia, Yuxuan and Jiang, Yuepeng and Guo, Dake and Xie, Hanke and Hu, Jingbin and Wang, Yanbo and Xie, Lei and Zhu, Pengcheng},
  journal={arXiv preprint arXiv:2606.09050},
  year={2026}
}

📧 Contact

For questions or collaborations, please contact: guobin.ma@mail.nwpu.edu.cn

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
a691b6e

0 моделей