/ Модель

Характеристики

Библиотека
espnet
Опубликована
28 авг 2026

librimix_tse_clean_2mix_training_td_speakerbeam_16k

Обработка аудиоАудио → аудио3 профессии

Модель ESPnet выделяет речь целевого говорящего из двухголосой смеси на аудио с частотой 16 кГц.

21скачиваний за 30 дней1лайквеса обновлены28 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

Это модель выделения целевого говорящего из смешанной аудиозаписи, созданная wyz на базе рецепта LibriMix для ESPnet. Она принимает аудио с несколькими говорящими и предназначена для извлечения речи выбранного говорящего; имя эксперимента указывает на SpeakerBeam с обучением по целевому эмбеддингу говорящего и частотой дискретизации 16 кГц.

В карточке приведены результаты на тестовом и проверочном наборах LibriMix 2mix clean, включая SI-SNR около 12,66 дБ и ESTOI около 83. Это специализированный экспериментальный чекпойнт с оценками для конкретного сценария смешения двух источников; данные не описывают качество на других наборах, частотах дискретизации или в реальных акустических условиях. Репозиторий упакован для ESPnet и использует формат PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Сценарии применения

  • выделение выбранного говорящего из смеси двух голосов
  • извлечение речи заданного диктора из аудиозаписи
  • подготовка целевой речи для последующего распознавания
  • разделение речи говорящих в экспериментальных задачах на LibriMix

Ограничения

Результаты приведены для чистых смесей LibriMix 2mix с частотой 16 кГц; переносимость на другие условия записи и большее число говорящих не показана. Лицензия в доступных источниках не указана.

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

ESPnet3 tse model

Packed model bundle generated from egs3/librimix/tse.

Model

  • Repository: wyz/librimix_tse_clean_2mix_training_td_speakerbeam_16k
  • Recipe: egs3/librimix/tse
  • Task: tse
  • System: tse
  • Creator: wyz
  • Created: 2026-08-28T11:24:04
  • Git: 55776eaf5 (dirty)

Usage

from espnet3.publication import InferenceModel

model = InferenceModel.from_pretrained("wyz/librimix_tse_clean_2mix_training_td_speakerbeam_16k", trust_user_code=True)
result = model(sample)

Packaging

  • Bundle: model_pack
  • Exp dir: ./exp/training_td_speakerbeam_16k
  • Strategy: copy experiment outputs; include extra recipe assets; register named artifact files; apply exclude filters

Results

datasetDNSMOS_BAKDNSMOS_OVRLDNSMOS_P808_MOSDNSMOS_SIGESTOIPESQSARSDRSIRSI_SNRTSOS
2mix_16k_max_dev_mix-clean3.9201643698595263.03613283299633263.3735630250771843.383980747742430482.862299734857472.212683132886886613.29702733698487213.29467383889357349.8733442287445112.6620305253757780.07491265614982695
2mix_16k_max_test_mix-clean3.93783746711385163.0640428989300863.39407694800694773.40214483974503883.056490225325132.19984237806002313.26595603208243913.265956837686449.9850805358886712.6580398711139960.06256226110528224

Training config

num_device: 1
num_nodes: 1
task: espnet3.systems.tse.task.TSETask
recipe_dir: .
data_dir: ./data
exp_tag: training_td_speakerbeam_16k
exp_dir: ./exp/training_td_speakerbeam_16k
stats_dir: ./exp/stats
dataset_dir: /path/to/your/dataset
create_dataset:
  recipe_dir: .
  dataset_dir: /path/to/your/dataset
dataset:
  _target_: espnet3.components.data.data_organizer.DataOrganizer
  recipe_dir: .
  train:
  - data_src_args:
      split: 2mix_16k_max_train_mix-clean
      ignore_key_prefix:
      - text_spk
      - utt_id
      - num_spk
      use_espnet_preprocessor: true
  valid:
  - data_src_args:
      split: 2mix_16k_max_dev_mix-clean
      ignore_key_prefix:
      - text_spk
      - utt_id
      - num_spk
      use_espnet_preprocessor: true
  - data_src_args:
      split: 2mix_16k_max_test_mix-clean
      ignore_key_prefix:
      - text_spk
      - utt_id
      - num_spk
      use_espnet_preprocessor: true
  test: null
  preprocessor:
    _target_: espnet2.train.preprocessor.TSEPreprocessor
    train: true
    train_spk2enroll: ./data/2mix_16k_max_train_mix-both/spk2enroll.json
    enroll_segment: 48000
    load_spk_embedding: false
    load_all_speakers: true
    num_spk: 2
    _convert_: all
  _convert_: all
model:
  encoder: conv
  encoder_conf:
    channel: 256
    kernel_size: 32
    stride: 16
  decoder: conv
  decoder_conf:
    channel: 256
    kernel_size: 32
    stride: 16
  extractor: td_speakerbeam
  extractor_conf:
    layer: 8
    stack: 4
    bottleneck_dim: 256
    hidden_dim: 512
    skip_dim: 256
    kernel: 3
    causal: false
    norm_type: gLN
    pre_nonlinear: prelu
    nonlinear: linear
    i_adapt_layer: 7
    adapt_layer_type: mul
    adapt_enroll_dim: 256
    use_spk_emb: false
  model_conf:
    num_spk: 2
    share_encoder: true
  criterions:
  - name: snr
    conf:
      eps: 1.0e-07
    wrapper: fixed_order
    wrapper_conf:
      weight: 1.0
optimizer:
  _target_: torch.optim.Adam
  lr: 0.001
  eps: 1.0e-08
  weight_decay: 0
  _convert_: all
scheduler:
  _target_: torch.optim.lr_scheduler.StepLR
  step_size: 200000
  gamma: 0.98
  _convert_: all
scheduler_interval: step
scheduler_monitor: null
best_model_criterion:
- - valid/loss
  - 3
  - min
seed: null
init: null
parallel:
  env: local
  n_workers: 1
dataloader:
  collate_fn:
    _target_: espnet2.train.collate_fn.CommonCollateFn
    int_pad_value: -1
    _convert_: all
  train:
    total_shards: 1
    dist_world_size: 1
    iter_factory:
      _target_: espnet2.iterators.chunk_iter_factory.ChunkIterFactory
      shuffle: true
      collate_fn:
        _target_: espnet2.train.collate_fn.CommonCollateFn
        int_pad_value: -1
        _convert_: all
      batches:
        type: unsorted
        shape_files:
        - ./exp/stats/train/feats_shape
        batch_size: 1
        batch_bins: -1
      batch_size: 4
      chunk_length: 48000
      chunk_shift_ratio: 0.5
      excluded_key_prefixes:
      - enroll_ref
      num_workers: 4
      _convert_: all
  valid:
    total_shards: 1
    dist_world_size: 1
    iter_factory:
      _target_: espnet2.iterators.sequence_iter_factory.SequenceIterFactory
      shuffle: false
      collate_fn:
        _target_: espnet2.train.collate_fn.CommonCollateFn
        int_pad_value: -1
        _convert_: all
      batches:
        type: unsorted
        shape_files:
        - ./exp/stats/valid/feats_shape
        batch_size: 1
        batch_bins: -1
      _convert_: all
trainer:
  accelerator: auto
  devices: 1
  num_nodes: 1
  accumulate_grad_batches: 1
  check_val_every_n_epoch: 1
  gradient_clip_val: 5.0
  log_every_n_steps: 100
  max_epochs: 100
  logger:
  - _target_: lightning.pytorch.loggers.TensorBoardLogger
    save_dir: ./exp/training_td_speakerbeam_16k/tensorboard
    name: tb_logger
    _convert_: all
  strategy: ddp_find_unused_parameters_true
  precision: 32
  limit_train_batches: 1.0
fit: {}

Citing ESPnet

@inproceedings{watanabe2018espnet,
  author={Shinji Watanabe and Takaaki Hori and Shigeki Karita and Tomoki Hayashi and
    Jiro Nishitoba and Yuya Unno and Nelson Yalta and Jahn Heymann and Matthew Wiesner
    and Nanxin Chen and Adithya Renduchintala and Tsubasa Ochiai},
  title={{ESPnet}: End-to-End Speech Processing Toolkit},
  year={2018},
  booktitle={Proceedings of Interspeech},
  pages={2207--2211},
  doi={10.21437/Interspeech.2018-1456}
}

@article{ESPnet3-Someki2026,
  title={{ESPnet3}: Infrastructure for Scalable Speech and Audio Research in the Foundation Model Era},
  author={Someki, Masao and Polok, Alexander and Carvalho, Carlos and Lin, Chyi-Jiunn and Yang, Da-Hee and Shi, Jiatong and Tian, Jinchuan and Soplin, Nelson Enrique Yalta and Cornell, Samuele and Arora, Siddhant and Teixeira, Francisco and Wang, Wei and Chen, William and Abad, Alberto and Li, Chenda and Watanabe, Shinji and Zhang, Wangyou},
  journal={arXiv preprint arXiv:2606.21854},
  year={2026},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · espnet

Нельзя запустить

Модели ESPnet требуют отдельного рантайма.

Ревизия весов
05b6c13

0 моделей