/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
yue2_vae · dense
Библиотека
transformers
Опубликована
22 сен 2026

MuVAE

Обработка аудиоАудио → аудио3 профессии

MuVAE — музыкальный автоэнкодер, который сжимает стереозвук 48 кГц в компактные латенты для реконструкции и использования в генеративных моделях музыки.

45скачиваний за 30 дней1лайквеса обновлены22 сен 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

MuVAE — непрерывный музыкальный вариационный автоэнкодер, разработанный mrfakename и обученный с нуля на архитектуре YuE2 VAE. Он кодирует стереозвук с частотой 48 кГц в латентное представление и декодирует его обратно, сжимая сигнал в 1920 раз: до 64 каналов с частотой 25 кадров в секунду. Модель содержит 132,6 млн параметров; в репозитории опубликованы веса EMA в формате safetensors.

MuVAE предназначена для реконструкции музыки и получения компактных аудиолатентов, которые можно использовать как пространство представлений для моделей генерации музыки. При обучении использовались около 10 тысяч часов музыкального аудио, нарезанного на случайные стереофрагменты длительностью 2,56 секунды. Для использования требуется библиотека Transformers; пример загрузки включает trust_remote_code=True.

Лицензия модели — CC BY 4.0. Описание не приводит измерений качества реконструкции или ограничений по типам музыкального материала; заявленный формат входа — стерео 48 кГц.

Сценарии применения

  • реконструкция стереозаписей музыки
  • кодирование музыки в компактные латентные представления
  • подготовка латентов для генерации музыки
  • сжатие музыкального аудио с последующим декодированием

Ограничения

Модель рассчитана на стереоаудио с частотой 48 кГц; количественные показатели качества реконструкции в карточке не приведены.

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

MuVAE

MuVAE is a continuous music autoencoder (VAE) for 48 kHz stereo audio. It was trained from scratch, on the Oobleck / YuE2 VAE architecture. It compresses a waveform 1920× into 64-dim latents at 25 Hz, so it can serve as a latent space for music generation models.

Audio48 kHz, stereo
Latents64 channels × 25 frames/s (1920× downsampling)
Parameters132.6M (encoder 66.2M, decoder 66.4M), FP32 EMA weights
ArchitectureOobleck conv encoder/decoder with SnakeBeta activations, channels 64 × (1, 2, 4, 8, 16, 32), strides (2, 2, 4, 4, 5, 6)

Usage

import soundfile as sf, torch
from transformers import AutoModel

vae = AutoModel.from_pretrained("mrfakename/MuVAE", trust_remote_code=True).eval()

audio, sr = sf.read("song.wav", dtype="float32", always_2d=True)   # 48 kHz stereo
x = torch.from_numpy(audio.T.copy())[None]                          # (1, 2, samples)

z = vae.encode(x)            # (1, 64, frames): posterior mean at 25 Hz
y = vae.decode_audio(z)      # (1, 2, 1920 * frames - 64), tiled decoding for long audio
  • encode(x, sample=True) samples from the posterior instead of returning its mean.
  • decode_audio decodes in bounded tiles, with enough context that the output matches a full decode, so whole songs fit in memory. Pass chunked=False to decode in one pass.
  • The reconstruction is aligned to the input shifted by 32 samples, i.e. x[..., 32:32 + y.shape[-1]].
  • from_pretrained(..., decoder_only=True) loads only the decoder.

Training

  • Data: ~10k hours of music audio seen during training, as random 2.56 s stereo crops at 48 kHz.
  • Steps: 116,228 steps, 128 crops per step (~5.5 minutes of audio).
  • Losses:
    • multi-resolution STFT loss (FFT sizes 2048…64, log magnitude + spectral convergence, stereo sum/difference)
    • KL (weight 1e-4)
    • multi-resolution STFT discriminator: adversarial loss (0.1) + feature matching (5.0), starting at step 5k
    • gradient balancing across the STFT, adversarial and feature-matching terms
  • Optimisation: bf16, AdamW (β = 0.8, 0.99), lr 1.5e-4 for the generator and 3e-4 for the discriminator, 1k warmup steps, then constant. Gradient clipping at 10. EMA of the weights (decay 0.999) is what's released.

Training curves

These are training metrics at selected steps, averaged over 50 steps.

stepmulti-res STFT lossfeature matchingdisc. loss
6,4002.150.801.54
20,0001.950.851.02
50,0001.840.820.93
80,0001.800.810.84
116,2001.790.790.74

Demos

Source audio and its MuVAE reconstruction (48 kHz stereo).

SourceReconstruction
Sample 1
Sample 2
Sample 3
Sample 4

Credits

  • Architecture and inference code follow the YuE VAE. MuVAE is an independent model: the weights were trained from scratch, not fine-tuned from YuE.
  • The Oobleck autoencoder comes from stable-audio-tools (MIT, © 2023 Stability AI), and SnakeBeta from BigVGAN (MIT, © 2022 NVIDIA). See THIRD_PARTY_NOTICES.md and licenses/.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
YuE2VAE
Ревизия весов
335b480

0 моделей