/ Модель

Характеристики

Лицензия
MIT
Опубликована
29 сен 2026

vocal-intensity-conversion

Обработка аудиоАудио → аудио

Конвертер аудио преобразует записанную речь в заданную интенсивность голоса, стараясь сохранить слова и голос говорящего.

0скачиваний за 30 дней1лайквеса обновлены29 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

Vocal Intensity Conversion — набор обученных конвертеров от Quentin Le Tellier, Albert Rilliard, Olivier Perrotin и Marc Evrard, представленный вместе с работой, отправленной на ICASSP 2027. Модель преобразует записанную речь в аудио с заданной целевой интенсивностью голоса, указанной в dB SPL на расстоянии 1 м, сохраняя содержание высказывания и идентичность говорящего.

В репозитории приведён конвертер на 2,66 млн параметров: шестислойный Transformer шириной 128 с четырьмя головами внимания, обрабатывающий признаки замороженного WavLM-Large (слой 6). Речь синтезируется предобученным вокодером HiFi-GAN из kNN-VC. Веса конвертера хранятся в safetensors; энкодер и вокодер загружаются отдельно из исходных источников. Модель обучена без параллельных данных на обучающей части базы AVID методом условного cycle-consistent GAN.

Модель предназначена для управления воспринимаемой интенсивностью записанной речи при сохранении её содержания и голоса говорящего. Она обучалась на интенсивностях от 42,8 до 76,1 dB SPL; работа за этими пределами не оценивалась. Лицензия модели — MIT; база AVID распространяется по CC BY 4.0, а для WavLM-Large и вокодера указана MIT.

Сценарии применения

  • изменение громкости голоса до заданного уровня dB SPL
  • создание вариантов одной реплики с разной интенсивностью голоса
  • контроль интенсивности синтезированной из записи речи
  • подготовка речевых примеров для исследований вокальной интенсивности

Ограничения

Обучение проводилось только на базе AVID. Целевые интенсивности вне диапазона 42,8–76,1 dB SPL не оценивались.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vocal intensity conversion with continuous SPL control via adversarial training

Quentin Le Tellier, Albert Rilliard, Olivier Perrotin, Marc Evrard Submitted to ICASSP 2027.

Code · Audio samples

These are the trained converters of the paper. A converter renders a recorded utterance at a target vocal intensity, given in dB SPL at 1 m, while preserving its content and speaker identity. It transforms the features of a frozen speech encoder, and a pretrained vocoder resynthesizes the speech.

Models

folderencoder/decoder pairparameters
converter-wavlmWavLM-Large layer 6 + kNN-VC HiFi-GAN2.66 M

Each folder holds the converter weights (model.safetensors) and the configuration needed to rebuild it (config.yaml). The encoder and vocoder are not included: the code downloads them from their original sources.

Usage

git clone https://github.com/vers-project/vocal-intensity-conversion.git
cd vocal-intensity-conversion
uv run --extra cpu --extra hub scripts/convert.py \
    --model     vers-project/vocal-intensity-conversion \
    --subfolder converter-wavlm \
    --input     speech.wav \
    --target-db 70.0 \
    --output    speech_70dB.wav

The first run downloads WavLM-Large and the kNN-VC HiFi-GAN (about 1.3 GB) into ~/.cache/vic.

Training

The converter is a Transformer encoder (six layers, width 128, four heads), trained as a conditional cycle-consistent GAN without parallel data, on the training split of AVID, the Aalto Vocal Intensity Database (CC BY 4.0). It was trained for 11 400 iterations, as reported in the paper.

Limitations

The converter was trained on AVID only. Target intensities outside the range seen in training, 42.8 to 76.1 dB SPL, were not evaluated.

Third-party components

Citation

@misc{letellier2027vocal,
  title  = {Vocal Intensity Conversion with Continuous {SPL} Control via Adversarial Training},
  author = {Le Tellier, Quentin and Rilliard, Albert and Perrotin, Olivier and Evrard, Marc},
  year   = {2026},
  note   = {Submitted to ICASSP 2027}
}

Licence

MIT.

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
8753e02

0 моделей