/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
18 дек 2025

neucodec

Обработка аудиоАудио → аудио3 профессии

Нейронный речевой кодек Neuphonic с низким битрейтом для сжатия и восстановления аудио и подготовки речевых токенов для моделей синтеза речи.

190скачиваний за 30 дней0лайковвеса обновлены18 дек 2025

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

NeuCodec — нейронный аудиокодек компании Neuphonic для сжатия и восстановления речи. Модель использует архитектуру на основе конечного скалярного квантования (FSQ) с единым кодбуком и предназначена для получения речевых токенов при обучении SpeechLM и систем синтеза речи. Кодек принимает аудио с частотой 16 кГц и декодирует его с повышением частоты до 24 кГц.

Кодек сжимает речь до 0,8 кбит/с при скорости 50 токенов в секунду и 16 битах на токен. По описанию авторов, потери при восстановлении почти неслышны; схема FSQ также рассчитана на устойчивость к битовым ошибкам в шумных или ненадёжных каналах. Для модели указана лицензия Apache 2.0, допускающая коммерческое использование. В README она представлена как инструмент для исследователей и разработчиков, создающих голосовые модели; заявленные характеристики качества приведены авторами и не сопровождаются в карточке результатами независимой оценки.

Сценарии применения

  • сжатие речевых данных для обучения голосовых моделей
  • подготовка речевых токенов для SpeechLM
  • восстановление речи из сжатого аудио
  • уменьшение объёма речевых датасетов
  • передача речи по каналам с битовыми ошибками

Ограничения

Кодек предназначен для речи, а не для универсального сжатия любых аудиосигналов; заявленное качество восстановления описано авторами и не подкреплено в карточке независимыми оценками. Входная частота составляет 16 кГц, выходная — 24 кГц.

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

NeuCodec 🎧

NeuCodec Intro

Click the image above to see NeuCodec in action on Youtube!

Created by Neuphonic - building faster, smaller, on-device voice AI

A lightweight neural codec that encodes audio at just 0.8 kbps - perfect for researchers and builders who need something that just works for training high quality text-to-speech models.

Key Features

  • 🔊 Low bit-rate compression - a speech codec that compresses and reconstructs audio with near-inaudible reconstruction loss
  • 🎼 Upsamples from 16kHz → 24kHz
  • 🌍 Ready for real-world use - train your own SpeechLMs without needing to build your own codec
  • 🏢 Commercial use permitted - use it in your own tools or products
  • 📊 Released with large pre-encoded datasets - we’ve compressed Emilia-YODAS from 1.7TB to 41GB using NeuCodec, significantly reducing the compute requirements needed for training

Model Details

NeuCodec is a Finite Scalar Quantisation (FSQ) based 0.8kbps audio codec for speech tokenization. It takes advantage of the following features:

  • FSQ quantisation resulting in a single codebook, making it ideal for downstream modeling with Speech Language Models.
  • Trained with CC data such that there are no Non-Commercial data restrictions.
  • At 50 tokens/sec and 16 bits per token, the overall bit-rate is 0.8kbps.
  • The codec takes in 16kHz input and outputs 24kHz using an upsampling decoder.
  • The FSQ encoding scheme allows for bit-level error resistance suitable for unreliable and noisy channels.

NeuCodec is largely based on extending the work of X-Codec2.0.

Get Started

Use the code below to get started with the model.

To install from pypi in a dedicated environment, using Python 3.10 or above:

conda create -n neucodec python=3.10
conda activate neucodec
pip install neucodec

Then, to use in python:

import librosa
import torch
import torchaudio
from torchaudio import transforms as T
from neucodec import NeuCodec
 
model = NeuCodec.from_pretrained("neuphonic/neucodec")
model.eval().cuda()   
 
y, sr = torchaudio.load(librosa.ex("libri1"))
if sr != 16_000:
    y = T.Resample(sr, 16_000)(y)[None, ...] # (B, 1, T_16)

with torch.no_grad():
    fsq_codes = model.encode_code(y)
    # fsq_codes = model.encode_code(librosa.ex("libri1")) # or directly pass your filepath!
    print(f"Codes shape: {fsq_codes.shape}")  
    recon = model.decode_code(fsq_codes).cpu() # (B, 1, T_24)

torchaudio.save("reconstructed.wav", recon[0, :, :], 24_000)

Training Details

The model was trained using the following data:

  • Emilia-YODAS
  • MLS
  • LibriTTS
  • Fleurs
  • CommonVoice
  • HUI
  • Additional proprietary set

All publically available data was covered by either the CC-BY-4.0 or CC0 license.

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
1c3fc13

0 моделей