/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
6 авг 2023

sepformer-dns4-16k-enhancement

Обработка аудиоАудио → аудио4 профессии

SepFormer-DNS4-16k очищает речь от фонового шума в аудио с частотой дискретизации 16 кГц.

1 154скачиваний за 30 дней27лайковвеса обновлены19 фев 2024

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

SepFormer-DNS4-16k — модель SpeechBrain для подавления шума и улучшения разборчивости речи в аудио. SepFormer основана на архитектуре Transformer и обучена на 1300 часах данных Microsoft DNS-4 с частотой дискретизации 16 кГц.

Модель принимает зашумлённую речь и выдаёт очищенное аудио. В README приведены результаты оценки DNSMOS на dev-наборе DNS4 2022: SIG 2,999, BAK 3,076 и OVRL 2,437 по шкале от 1 до 5. В метаданных указана поддержка английского, немецкого, русского, французского, итальянского и испанского языков.

Модель подходит для очистки записей речи и шумоподавления в аудиосистемах. SpeechBrain предупреждает, что качество на других наборах данных не гарантируется. Лицензия — Apache-2.0.

Сценарии применения

  • шумоподавление в записях речи
  • очистка аудио с фональным шумом
  • улучшение разборчивости голосовых записей

Ограничения

SpeechBrain не гарантирует качество модели на наборах данных, отличных от DNS4 2022 dev set; приведённые DNSMOS оценки относятся к этому набору и составляют SIG 2,999, BAK 3,076 и OVRL 2,437.

Для каких профессий подходит4

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

SepFormer trained on Microsoft DNS-4 (Deep Noise Suppression Challenge 4 – ICASSP 2022) for speech enhancement (16k sampling frequency)

This repository provides all the necessary tools to perform speech enhancement (denoising) with a SepFormer model, implemented with SpeechBrain. The model is trained on 1300HRS of Microsoft-DNS 4 dataset with 16k sampling frequency. For a better experience we encourage you to learn more about SpeechBrain. Evaluation on DNS4 2022 baseline dev set using DNSMOS are-

ReleaseSIGBAKOVRL
08-01-232.9993.0762.437

DNSMOS - deep noise suppression (DNS)- mean opinion score (MOS) is a non-intrusive evaluation metric. It computes 3 scores– SIG (speech quality), BAK (background noise quality), and OVRL (overall quality) each on a scale of 1 to 5, with 5 being the best quality.

Install SpeechBrain

First of all, please install SpeechBrain with the following command:

pip install speechbrain

Please notice that we encourage you to read our tutorials and learn more about SpeechBrain.

Perform speech enhancement on your own audio file

from speechbrain.inference.separation import SepformerSeparation as separator
import torchaudio

model = separator.from_hparams(source="speechbrain/sepformer-dns4-16k-enhancement", savedir='pretrained_models/sepformer-dns4-16k-enhancement')

# for custom file, change path
est_sources = model.separate_file(path='speechbrain/sepformer-dns4-16k-enhancement/example_dns4-16k.wav') 

torchaudio.save("enhanced_dns4-16k.wav", est_sources[:, :, 0].detach().cpu(), 16000)

Inference on GPU

To perform inference on the GPU, add run_opts={"device":"cuda"} when calling the from_hparams method.

You can find our training results (models, logs, etc) here.

Limitations

The SpeechBrain team does not provide any warranty on the performance achieved by this model when used on other datasets.

Referencing SpeechBrain

@misc{speechbrain,
  title={{SpeechBrain}: A General-Purpose Speech Toolkit},
  author={Mirco Ravanelli and Titouan Parcollet and Peter Plantinga and Aku Rouhe and Samuele Cornell and Loren Lugosch and Cem Subakan and Nauman Dawalatabad and Abdelwahab Heba and Jianyuan Zhong and Ju-Chieh Chou and Sung-Lin Yeh and Szu-Wei Fu and Chien-Feng Liao and Elena Rastorgueva and François Grondin and William Aris and Hwidong Na and Yan Gao and Renato De Mori and Yoshua Bengio},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  note={arXiv:2106.04624}
}

Referencing SepFormer

@inproceedings{subakan2021attention,
      title={Attention is All You Need in Speech Separation}, 
      author={Cem Subakan and Mirco Ravanelli and Samuele Cornell and Mirko Bronzi and Jianyuan Zhong},
      year={2021},
      booktitle={ICASSP 2021}
}

Referencing ICASSP 2022 Deep Noise Suppression Challenge

@inproceedings{dubey2022icassp,
  title={ICASSP 2022 Deep Noise Suppression Challenge},
  author={Dubey, Harishchandra and Gopal, Vishak and Cutler, Ross and Matusevych, Sergiy and Braun, Sebastian and Eskimez, Emre Sefik and Thakker, Manthan and Yoshioka, Takuya and Gamper, Hannes and Aichner, Robert},
  booktitle={ICASSP},
  year={2022}
}

About SpeechBrain

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
3e162bc

0 моделей