/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
stable-audio-tools
Опубликована
10 янв 2025

stable-codec-speech-16k

Обработка аудиоАудио → аудио3 профессии

Речевой аудиокодек Stability AI, который сжимает речь в дискретные токены и восстанавливает аудиосигнал для потоковой передачи и речевых приложений.

382скачиваний за 30 дней24лайкавеса обновлены10 янв 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

stable-codec-speech-16k — аудиокодек на архитектуре Transformer, разработанный Stability AI. Он кодирует речевые аудиосигналы в дискретные токены и декодирует их обратно в форму волны, чтобы сжимать речь с низким битрейтом и использовать её в генеративных системах.

Модель предназначена для хранения и потоковой передачи речи, телекоммуникаций и разработки систем синтеза, распознавания и понимания речи. Она обучена на чистой английской речи без перекрывающихся голосов, созданной на основе аудиокниг из открытых и общественного достояния источников; для музыки и окружающих звуков не предназначена. Для организаций и лиц с годовой выручкой от 1 млн долларов США требуется коммерческая лицензия Stability AI; также необходимо соблюдать Community License и Acceptable Use Policy.

Сценарии применения

  • сжатие речи для хранения и передачи
  • кодирование речи для потокового аудио
  • подготовка речевых токенов для систем синтеза речи
  • разработка разговорных голосовых систем
  • эксперименты с кодированием и восстановлением английской речи

Ограничения

Оптимизирована для чистой английской речи без перекрывающихся голосов и не подходит для высококачественного кодирования музыки или окружающих звуков. При годовой выручке от 1 млн долларов США для коммерческого использования требуется лицензия Stability AI.

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

stable-codec-speech-16k Model Card

arch stable-codec-speech-16k is a Transformer-based codec model designed for high-quality, low-bitrate audio coding. It processes audio waveforms by encoding them into discrete tokens, which can later be decoded back into the original audio waveform.

Please note: For individuals or organizations generating annual revenue of US $1,000,000 (or local currency equivalent) or more, regardless of the source of that revenue, you must obtain an enterprise commercial license directly from Stability AI before commercially using Stable Codec, any derivative work of Stable Codec (such as a “fine tune” model), or their outputs. You may submit a request for an Enterprise License at https://stability.ai/enterprise. Please refer to Stability AI's Community License, available at https://stability.ai/license, for more information.

Model Description

  • Developed by: Stability AI
  • Model type: Transformer audio codec model
  • Model details: This released model is a speech codec designed to compress real-world speech data into a suitable format for generative modeling. It provides a foundational tool for developing downstream applications in speech understanding and generation, such as text-to-speech systems and conversational AI models. Please check our arXiv page and Github repo for details.

License

  • Community License: Free for research, non-commercial, and commercial use by organizations and individuals generating annual revenue of US $1,000,000 (or local currency equivalent) or more, regardless of the source of that revenue. If your annual revenue exceeds US $1M, any commercial use of this model or derivative works thereof requires obtaining an Enterprise License directly from Stability AI. You may submit a request for an Enterprise License at https://stability.ai/enterprise. Please refer to Stability AI's Community License, available at https://stability.ai/license, for more information.

Model Sources

Training Dataset

The model was trained on datasets derived from creative commons or public domain audiobook recordings. See academic paper for more details.

Usage

For usage instructions, please refer to our GitHub repository

Intended Uses

Intended uses include the following: Efficient compression of speech signals for storage or streaming purposes. Enhancing speech-based applications, such as telecommunication systems and real-time communication platforms. Research and development in audio coding and speech synthesis, including understanding and improving codec performance. Development of downstream applications including speech recognition and generation.

All uses of the model should be in accordance with our Acceptable Use Policy.

Out-of-Scope Uses

This model is purely trained on non-overlapping clean English speech, and exhibits optimal performance in these situations. It is not suitable for applications requiring high-fidelity music or environmental sound coding.

Contact

Please report any issues with the model or contact us:

Как запустить

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

GPU в ailist

Универсальный рантайм · stable-audio-tools

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
15c3ee1

0 моделей