/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
pytorch
Опубликована
17 сен 2026

acoustic-token-admixture

Обработка аудиоАудио → аудио

Модель преобразует речь, анонимизируя голос говорящего и найденные именованные сущности для защиты приватности аудиозаписей.

0скачиваний за 30 дней0лайковвеса обновлены18 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

Acoustic Token Admixture — набор предварительно обученных весов и пулов псевдособеседников для системы анонимизации речи, созданной Али Голмакани, Сейедом Ахмадом Хоссейни, Омаром Манилом Бендалли, Эммануэлем Винсентом и Бриджем Моханом Лалом Сриваставой для исследования Interspeech 2026. Модель преобразует входную речь, одновременно изменяя голос говорящего и заменяя найденные именованные сущности. Для этого она смешивает покадровые токены остаточного векторного квантования, полученные из признаков Whisper и фонем, а затем синтезирует аудио с помощью вокодера BigVGAN и псевдособеседника.

Модель ориентирована на защиту приватности при передаче или повторном использовании записей и на исследования в области анонимизации речи. В VoicePrivacy 2024 система достигла EER 42,54% и WER 3,73% при β = 0,7. В репозитории есть английские и французские компоненты, однако статья оценивает только английский вариант, который также загружается инструментами командной строки по умолчанию. Лицензия — CC BY-NC 4.0.

Ограничения включают неполное сокрытие содержания: заменяются только сущности, обнаруженные NER-теггером, поэтому анонимизированные записи следует проверять перед публикацией. Сохранение эмоций ограничено (UAR 40,11% на IEMOCAP). Авторы запрещают использовать веса для имитации конкретных людей или повторной идентификации участников пула псевдособеседников.

Сценарии применения

  • анонимизация голоса в аудиозаписях перед публикацией
  • замена именованных сущностей в речи перед повторным использованием записей
  • защита приватности участников речевых корпусов
  • исследования методов анонимизации речи

Ограничения

Защита содержания охватывает только сущности, найденные NER-теггером, поэтому записи нужно проверять перед публикацией; сохранение эмоций ограничено. Авторы предостерегают от имитации людей и повторной идентификации участников пула.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Acoustic Token Admixture: model weights and speaker pool

Pretrained checkpoints and the pseudospeaker pool for the Interspeech 2026 paper "Acoustic token admixture for joint speaker and content anonymization" (Ali Golmakani, Seyed Ahmad Hosseini, Omar Manil Bendali, Emmanuel Vincent, Brij Mohan Lal Srivastava).

The system anonymizes both the speaker's voice and named entities in the content. It mixes encoder-derived and phoneme-conditioned RVQ tokens frame by frame, then resynthesizes the result with a BigVGAN vocoder conditioned on a pseudospeaker. On VoicePrivacy 2024 it reaches EER 42.54% with WER 3.73% (β = 0.7).

Quick start

git clone https://github.com/Nijta/acoustic-token-admixture.git
cd acoustic-token-admixture
pip install -r requirements.txt

hf download nijta/acoustic-token-admixture --local-dir models
(cd models && sha256sum -c SHA256SUMS)

export MODELS_DIR=$PWD/models
export PYTHONPATH=".:./audiolm:./bigvgan/src"
python static_infer.py --inputs input.wav --output-dir outputs --seeds 52 \
  --gender any --admixture-ratio 0.7 --pitch-f 0.75 --db 2

The folder layout matches what the code expects in $MODELS_DIR.

Files

PathComponentPaper
RVQWhisper/rvq_model_en.pth, config.yaml8 x 1024 residual vector quantizer on frozen Whisper large-v2 encoder features (Stream A)Sec. 2.1.1
Aligner/aligner_english.pthCTC phoneme head (111 classes) for forced alignmentSec. 2.1.2
Aligner/dur_predictor.pt, f0_predictor.pthDuration and F0 predictors used for content replacementSec. 2.3
AudioLM/audiolm_english.pt, config.yamlAutoregressive decoder from articulatory features to RVQ indices (Stream B)Sec. 2.1.2
BigVGAN/generator_english, config.jsonBigVGAN generator conditioned on RVQ reconstruction, F0 and x-vector (1473 dims, 16 kHz)Sec. 2.4
POOL/english/Pseudospeaker pool: ECAPA-TDNN x-vectors, gender map, Affinity Propagation cluster indices, pitch statisticsSec. 2.4
*_french*, rvq_model_fr.pth, POOL/french/French counterparts of the models and pool aboveNot evaluated in the paper
SHA256SUMSChecksums for every file

The French checkpoints are provided as is. The paper evaluates English only, and the command-line tools in the code repository load the English models by default.

Training data

  • RVQ-Whisper: Common Voice 17, LibriTTS, TED-LIUM and VoxPopuli (English), filtered with wv-mos > 3.3 and < 10 min per speaker.
  • Token decoder and BigVGAN: Common Voice 17, LibriTTS train-clean-100, VoxPopuli, VCTK and LibriSpeech train-clean-360 for English. The French models use Common Voice 17, Multilingual LibriSpeech, VoxPopuli and VoxForge.
  • Speaker pools: ECAPA-TDNN x-vectors of Common Voice speakers held out from all evaluation sets (English: 1,465 speakers; French: 251 speakers). Speaker IDs are Common Voice's hashed client IDs. No audio or transcripts are included.

License

The weights and the speaker pool are released under CC BY-NC 4.0: you may use them for research and other non-commercial purposes, with attribution. Some of the training corpora carry non-commercial terms. The code is MIT-licensed; see the GitHub repository. For commercial use, contact Nijta.

Intended use and limitations

These models are for protecting speakers when recordings are shared or reused, and for research on speech privacy.

  • Do not use them to impersonate people, or to make synthetic speech look like a real person's recording.
  • Do not try to re-identify the speakers behind the pool x-vectors.
  • The content protection only covers what the NER tagger finds. Review anonymized data before release.
  • Emotion preservation is limited (UAR 40.11% on IEMOCAP).

Citation

@inproceedings{golmakani2026acoustic,
  title     = {Acoustic token admixture for joint speaker and content anonymization},
  author    = {Golmakani, Ali and Hosseini, Seyed Ahmad and Bendali, Omar Manil and Vincent, Emmanuel and Srivastava, Brij Mohan Lal},
  booktitle = {Proc. Interspeech 2026},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
e02da9c

0 моделей