/ Модель

Характеристики

Лицензия
MIT
Архитектура
wavtokenizer · dense
Библиотека
transformers
Опубликована
19 июл 2026

wavtokenizer-large-unify-40token

ЭмбеддингиТекст → embedding3 профессии

Дискретный аудиокодек, сжимающий монофоническое аудио 24 кГц до 40 токенов в секунду для аудиоязыковых моделей.

94скачиваний за 30 дней0лайковвеса обновлены10 авг 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

WavTokenizer large-unify-40token — акустический дискретный кодек-токенизатор для аудио, основанный на работе Ji и соавторов, опубликованной на ICLR 2025. Репозиторий содержит крупный чекпойнт для разных аудиодоменов, преобразованный из novateur/WavTokenizer-large-unify-40token в формат Transformers; преобразование проверено сравнением кодирования и декодирования с исходной реализацией.

Модель кодирует монофоническое аудио с частотой 24 кГц в один кодбук из 4096 кодов с частотой 40 токенов в секунду и шагом 600 отсчётов. Архитектура включает энкодер SEANet с векторным квантованием и декодер в стиле Vocos с блоками ConvNeXt, позиционной свёрткой и вниманием, а также обратным STFT. Предназначена для сжатого представления аудио и использования аудиотокенов в языковых моделях.

Для воспроизводимого назначения кодов требуется float32: float16 и bfloat16 могут менять выбор кодов около границ решений. Лицензия — MIT.

Сценарии применения

  • сжатое токенизирование монофонической речи
  • подготовка аудиотокенов для языковых моделей
  • кодирование аудио для последующего декодирования
  • создание компактных дискретных представлений аудиоданных

Ограничения

Для воспроизводимого кодирования используйте float32: вычисления в float16 или bfloat16 могут изменить назначение кодов. Модель рассчитана на монофоническое аудио с частотой 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

WavTokenizer large-unify 40 tokens/s

WavTokenizer is a discrete acoustic codec tokenizer that compresses 24 kHz mono audio into a single codebook of 4096 codes at an extremely low frame rate, making it well suited as an audio tokenizer for language models. The encoder and quantizer follow EnCodec's SEANet encoder with single-codebook vector quantization; the decoder is a Vocos-style backbone (ConvNeXt blocks and a positional conv/attention net) with an inverse STFT head.

It was proposed in WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling by Ji et al. (ICLR 2025). The original code (MIT license) is at jishengpeng/WavTokenizer.

This repository contains the large unified-domain checkpoint at 40 tokens/s (hop length 600), converted to the Transformers format from the original release novateur/WavTokenizer-large-unify-40token (wavtokenizer_large_unify_600_24k.ckpt). The conversion is verified bit-exact on encoding and within 1e-4 on decoded waveforms against the original implementation.

Usage

import torch
from datasets import Audio, load_dataset
from transformers import AutoFeatureExtractor, WavTokenizerModel

model = WavTokenizerModel.from_pretrained("swiss-ai/wavtokenizer-large-unify-40token")
feature_extractor = AutoFeatureExtractor.from_pretrained("swiss-ai/wavtokenizer-large-unify-40token")

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
audio = dataset[0]["audio"]["array"]

inputs = feature_extractor(audio=audio, sampling_rate=feature_extractor.sampling_rate, return_tensors="pt")
with torch.no_grad():
    audio_codes = model.encode(inputs["input_values"]).audio_codes  # (batch, 1, ceil(samples / 600))
    reconstruction = model.decode(audio_codes).audio_values

[!WARNING] Run the model in float32, the default and the only precision used by the original implementation. As with any codec based on nearest-neighbour vector quantization, code assignment is an argmin over codebook distances: half precision (bfloat16/float16) perturbs the embeddings enough to flip codes near decision boundaries, so tokenization is not reproducible across precisions. Decoded audio is always returned in float32 (the inverse STFT head upcasts internally).

Available checkpoints

CheckpointDomainRateHopOriginal release
wavtokenizer-small-speech-40tokenspeech40/s600novateur/WavTokenizer
wavtokenizer-small-speech-75tokenspeech75/s320novateur/WavTokenizer
wavtokenizer-medium-speech-75tokenspeech75/s320novateur/WavTokenizer-medium-speech-75token
wavtokenizer-medium-speech-75token-v2speech75/s320novateur/WavTokenizer-medium-speech-75token
wavtokenizer-medium-music-audio-75tokenmusic/audio75/s320novateur/WavTokenizer-medium-music-audio-75token
wavtokenizer-medium-music-audio-75token-v2music/audio75/s320novateur/WavTokenizer-medium-music-audio-75token
wavtokenizer-large-unify-40token (this repo)unified40/s600novateur/WavTokenizer-large-unify-40token
wavtokenizer-large-speech-75token-v2speech75/s320novateur/WavTokenizer-large-speech-75token

Citation

The original authors ask that work building on WavTokenizer cite it in exactly this format, together with their Language-Codec paper:

@article{ji2024wavtokenizer,
  title={Wavtokenizer: an efficient acoustic discrete codec tokenizer for audio language modeling},
  author={Ji, Shengpeng and Jiang, Ziyue and Wang, Wen and Chen, Yifu and Fang, Minghui and Zuo, Jialong and Yang, Qian and Cheng, Xize and Wang, Zehan and Li, Ruiqi and others},
  journal={arXiv preprint arXiv:2408.16532},
  year={2024}
}

@article{ji2024language,
  title={Language-codec: Reducing the gaps between discrete codec representation and speech language models},
  author={Ji, Shengpeng and Fang, Minghui and Jiang, Ziyue and Huang, Rongjie and Zuo, Jialung and Wang, Shulei and Zhao, Zhou},
  journal={arXiv preprint arXiv:2402.12208},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура wavtokenizer неизвестна transformers в образе рантайма.

Класс архитектуры
WavTokenizerModel
Ревизия весов
d03c4f6

0 моделей