/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Semantic-DACVAE-Japanese
Опубликована
1 сен 2026

Semantic-DACVAE-Japanese-32dim

Обработка аудиоАудио → аудио

Производная модели Aratako/Semantic-DACVAE-Japanese-32dim. Модель реконструирует японскую речь из аудио и формирует компактные латентные представления для последующего обучения систем синтеза речи.

0скачиваний за 30 дней0лайковвеса обновлены1 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

Карточка модели musafa901/Semantic-DACVAE-Japanese-32dim на Hugging Face совпадает с карточкой Aratako/Semantic-DACVAE-Japanese-32dim, поэтому описание составлено по ней.

Semantic-DACVAE-Japanese-32dim — вариант модели Aratako для кодирования и реконструкции японской речи. Она дообучена на базе Aratako/Semantic-DACVAE-Japanese, изначально основанной на facebook/dacvae-watermarked, и использует семантическую дистилляцию WavLM, вдохновлённую работой Semantic-VAE.

Главное изменение — уменьшение размерности латентного представления с 128 до 32 при сохранении архитектуры и числа параметров базовой модели. Модель предназначена для реконструкции японской речи и создания более компактных представлений, которые могут упростить и ускорить обучение последующих систем синтеза речи. В README приведены оценки естественности реконструированного аудио на двух наборах японской речи; карточка сообщает о лицензии MIT.

Сценарии применения

  • реконструкция японской речи из аудиозаписей
  • создание компактных представлений японской речи
  • подготовка речевых данных для обучения TTS-моделей

Ограничения

Оценки в README основаны на небольших выборках по 100 аудиозаписей и не гарантируют качество на других данных. Модель предназначена для японской речи; применимость к другим языкам не подтверждена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Semantic-DACVAE-Japanese-32dim

Semantic-DACVAE-Japanese-32dim is a variant of our previous Semantic-DACVAE-Japanese model. While the core model architecture and parameter count remain the same, the latent dimension has been aggressively compressed from the original 128 to 32. This makes the latent representations much more compact while still maintaining high-quality Japanese speech reconstruction.

Like its predecessor, this model is based on facebook/dacvae-watermarked and integrates WavLM semantic distillation inspired by the Semantic-VAE paper. It has been fine-tuned extensively on Japanese speech datasets to achieve more natural reconstructions.

According to the Semantic-VAE paper, this semantic distillation approach improves the training efficiency and performance of downstream TTS models. Furthermore, by reducing the latent dimension to 32, this new variant enables even lighter and faster training for these downstream tasks without sacrificing much audio quality.

🌟 Overview

  • Base Model: Derived from Semantic-DACVAE-Japanese (originally facebook/dacvae-watermarked).
  • Enhancements:
    • Integrated WavLM semantic distillation.
    • Latent dimension reduced to 32 (down from 128).
  • Training Data: Fine-tuned explicitly on Japanese speech datasets.
  • License: MIT

📊 Evaluation

We evaluated the model using the UTMOSv2 metric to measure the quality of the reconstructed audio. Despite the aggressive reduction in latent dimensions (128 → 32), this model maintains a highly competitive naturalness score, outperforming the original base model.

1. Emilia-YODAS (Japanese Subset)

Tested on 100 samples (not included in training) from the Japanese subset of amphion/Emilia-Dataset.

Audio SourceMean UTMOSv2 (n=100)
Original Audio2.2099
facebook/dacvae-watermarked2.2841
Aratako/Semantic-DACVAE-Japanese (128-dim)2.4812
Aratako/Semantic-DACVAE-Japanese-32dim2.4024

2. Private Test Dataset (Japanese)

Tested on 100 private Japanese speech samples.

Audio SourceMean UTMOSv2 (n=100)
Original Audio2.0322
facebook/dacvae-watermarked1.8775
Aratako/Semantic-DACVAE-Japanese (128-dim)2.1629
Aratako/Semantic-DACVAE-Japanese-32dim2.1421

🚀 Quick Start

Installation

First, set up your environment and install the official repository:

# Create a virtual environment
uv venv --python=3.10

# Install the official dacvae package
uv pip install https://github.com/facebookresearch/dacvae

Inference

Below is a basic example of inference.

import soundfile as sf
import torch
import torchaudio
from audiotools import AudioSignal
from dacvae import DACVAE
from huggingface_hub import hf_hub_download

# 1. Load the model
model = DACVAE.load(hf_hub_download(repo_id="Aratako/Semantic-DACVAE-Japanese-32dim", filename="weights.pth")).eval()

# Disable/bypass the default watermark since this model was fine-tuned without it
model.decoder.alpha = 0.0
model.decoder.watermark = lambda x, message=None, d=model.decoder: d.wm_model.encoder_block.forward_no_conv(x)

# 2. Load and preprocess audio
wav_np, sr = sf.read("input.wav", dtype="float32")
wav = torch.from_numpy(wav_np.T) if wav_np.ndim == 2 else torch.from_numpy(wav_np).unsqueeze(0)
wav = torchaudio.functional.resample(wav.mean(0, keepdim=True), sr, model.sample_rate)

signal = AudioSignal(wav.unsqueeze(0), model.sample_rate)
signal.normalize(-16.0)
signal.ensure_max_of_audio()
x = signal.audio_data.float()  # (1, 1, T)

# 3. Encode and Decode
with torch.no_grad():
    z = model.encoder(model._pad(x))
    z, _ = model.quantizer.in_proj(z).chunk(2, dim=1)
    y = model.decode(z)[0].cpu()

# 4. Save reconstructed audio
sf.write("recon.wav", y.squeeze(0).numpy(), model.sample_rate)

📜 Acknowledgements

🖊️ Citation

@misc{semantic-dacvae-japanese-32dim,
  author = {Chihiro Arata},
  title = {Semantic-DACVAE-Japanese-32dim: Lightweight Audio VAE for Japanese Speech},
  year = {2026},
  publisher = {Hugging Face},
  journal = {Hugging Face repository},
  howpublished = {\url{https://huggingface.co/Aratako/Semantic-DACVAE-Japanese-32dim}}
}

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
d6a20ed

0 моделей