/ Модель

Характеристики

Лицензия
MIT
Опубликована
3 окт 2026

htdemucs-GGUF

Обработка аудиоАудио → аудио

Набор моделей HTDemucs в формате GGUF разделяет музыкальные записи на вокал, ударные, бас, остальные звуки, а в версии 6s также на гитару и фортепиано.

194скачиваний за 30 дней0лайковвеса обновлены3 окт 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

HTDemucs GGUF — набор моделей разделения музыкального аудио на отдельные дорожки, разработанный на основе Hybrid Transformer Demucs версии 4 от Meta и преобразованный автором репозитория в формат GGUF для запуска через stems.cpp. В набор входят htdemucs для выделения вокала, ударных, баса и остальных звуков, htdemucs_6s с дополнительными дорожками гитары и фортепиано, а также htdemucs_ft — набор дообученных моделей для четырёх основных дорожек.

Модели принимают аудиозапись и выдают отдельные аудиодорожки. GGUF-файлы доступны в вариантах F16 и F32; запуск через stems.cpp поддерживает CPU, CUDA, Vulkan и Metal без Python. README сообщает о высокой численной близости результатов к PyTorch-реализации Demucs; при этом F16 может снижать точность на CPU и Vulkan. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • выделение вокала из музыкальной записи
  • разделение песни на вокал, ударные, бас и аккомпанемент
  • извлечение гитары и фортепиано из песни с помощью htdemucs_6s
  • подготовка отдельных дорожек для ремикса и сведения

Ограничения

F16 может снизить точность примерно на 20 дБ на CPU и Vulkan по сравнению с F32; выигрыш заключается главным образом в меньшем размере файлов, а не в скорости. Модель предназначена для разделения музыки на источники, а не для распознавания или генерации речи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HTDemucs GGUF

Meta's Hybrid Transformer Demucs (v4) converted to GGUF for stems.cpp, a C++/ggml stem separator that runs on CPU, CUDA, Vulkan and Metal with no Python. The three published HTDemucs models are here:

modelstemsfiles
htdemucsdrums, bass, other, vocalshtdemucs-42M-v1.0-{F32,F16}.gguf
htdemucs_6sdrums, bass, other, vocals, guitar, pianohtdemucs_6s-27M-v1.0-{F32,F16}.gguf
htdemucs_ftdrums, bass, other, vocals (a bag of four fine-tuned models, one per stem)htdemucs_ft-4x42M-v1.0-{F32,F16}.gguf
filesize
htdemucs-42M-v1.0-F32.gguf160 MiB
htdemucs-42M-v1.0-F16.gguf100 MiB
htdemucs_6s-27M-v1.0-F32.gguf104 MiB
htdemucs_6s-27M-v1.0-F16.gguf70 MiB
htdemucs_ft-4x42M-v1.0-F32.gguf640 MiB
htdemucs_ft-4x42M-v1.0-F16.gguf400 MiB

Download and run

git clone --recursive https://github.com/betweentwomidnights/stems.cpp && cd stems.cpp
./build.sh vulkan                   # or cpu | cuda | metal   (Windows: build.cmd)
./models.sh htdemucs_6s             # F32; --encoding f16 for the smaller files
build-vulkan/bin/stems-split -m models/htdemucs_6s-27M-v1.0-F32.gguf -i song.wav -o stems/

stems-server finds these files by model name ("model": "htdemucs_6s"); see the stems.cpp README.

Parity with PyTorch

Each figure is the SNR of the C++ output against demucs 4.0.1 in float32, full separation of a 20 s clip (demucs' test.mp3), for the worst stem of each model. Every stem of every model passes stems.cpp's parity check (cosine 0.9999 or better). Measured 2026-10-02/03 on stems.cpp with ggml f30f0cdc. CPU, CUDA and Vulkan: Core Ultra 9 275HX / RTX 5070 Laptop. Metal: Apple M4, against torch refs dumped on the M4.

modelencodingCPUCUDAVulkanMetal
htdemucsF3278.473.578.370.7
htdemucsF1656.973.556.4
htdemucs_6sF3275.368.575.274.3
htdemucs_6sF1653.968.555.5
htdemucs_ftF3270.769.570.667.1
htdemucs_ftF1663.569.564.4

F32 is the reference. F16 stores only the cross-transformer's matmul weights in half precision, with the convolutions kept F32. It costs about 20 dB on CPU and Vulkan and nothing measurable on CUDA (whose F32 matmuls already run as TF32), and stays more than 50 dB below every stem. It is about 40% smaller, not faster. The per-stem tables are in stems.cpp's docs/PARITY.md.

Sources and license

  • Upstream: facebookresearch/demucs, demucs 4.0.1. Checkpoints: htdemucs 955717e8-8726e21a.th; htdemucs_6s 5c90dfd2-34c22ccb.th; htdemucs_ft f7e0c4bc-ba3fe64a.th, d12395a8-e57c48e6.th, 92cfc3b6-ef3bcb9c.th, 04573f0d-f3cf25b2.th.
  • Converted with stems.cpp's tools/convert_htdemucs.py. Tensors are renamed, packed attention projections are split into q/k/v, constants are folded into metadata, and the F16 files halve the transformer's matmul weights. The architecture and weights are otherwise unchanged; every GGUF records its upstream checkpoint in general.source.file.
  • Code and weights are MIT-licensed by Meta Platforms, Inc. and affiliates; see LICENSE and NOTICE. SHA256SUMS lists every GGUF.

If you use HTDemucs, cite Hybrid Transformers for Music Source Separation (Rouard, Massa, Défossez, ICASSP 2023).

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
2108da4

0 моделей