К содержимому
Аудио

AudioSeparatorONNX

модели разделения звука в формате ONNX

2 мин чтенияобновлено

Репозиторий от автора Acapellas содержит популярные модели для разделения аудиодорожек (UVR5, MDX-Net, VR Architecture и BSRoformer), переведённые в формат ONNX (универсальный формат для запуска нейросетей без привязки к фреймворку). Обычно такие модели требуют Python и тяжёлый PyTorch, но здесь каждый чекпоинт упакован в один автономный файл со всеми настройками внутри. На выходе модель разделяет микс на отдельные стемы — например, выделяет чистый вокал, инструментал или убирает реверберацию и эхо. Решение пригодится разработчикам нативных приложений, мобильных сервисов и серверных пайплайнов.

Ключевые особенности

  • Встроенные метаданные: прямо внутрь каждого файла .onnx вшиты два JSON-блока (sep_meta и model_config) с параметрами инференса и конфигурацией обучения — дополнительные YAML- или JSON-файлы не нужны.
  • Поддержка разных архитектур: в наборе есть модели семейств MDX-Net, VR Architecture и BSRoformer.
  • Запуск без Python: модели готовы к работе через библиотеку ONNX Runtime на C++, Swift, Rust, .NET и других языках с поддержкой ускорителей CoreML, TensorRT и DirectML.
  • Совместимость с готовыми инструментами: модели MDX и VR работают из коробки в audio-separator и UVR (при сбое автоопределения по MD5-хешу параметры можно передать вручную из sep_meta).

Что можно сделать

  • Встроить очистку аудио или выделение вокала в нативное десктопное, мобильное или embedded-приложение без таскания за собой интерпретатора Python.
  • Развернуть лёгкий серверный пайплайн обработки звука с аппаратным ускорением через TensorRT или DirectML.
  • Собрать кастомный инференс для BSRoformer, считывая параметры окна, FFT и частотные индексы напрямую из метаданных файла или через байт-скан последних 64 КБ на C.

Пример

import json
import onnxruntime as ort

sess = ort.InferenceSession("UVR-DeEcho-DeReverb.onnx", providers=["CPUExecutionProvider"])
meta = sess.get_modelmeta().custom_metadata_map

sep_meta = json.loads(meta["sep_meta"])
model_config = json.loads(meta["model_config"])
print(sep_meta["arch"], sep_meta["primary_stem"])
ПодробнееТребования: onnxruntime >= 1.16 для запуска инференса и onnx >= 1.14 для чтения метаданных без сессии.
Ограничения: файлы BSRoformer в ONNX предназначены только для собственного пайплайна на ONNX Runtime (в audio-separator и UVR они запускаются только через PyTorch-чекпоинты), а граф покрывает нейросетевую часть — STFT и обратный iSTFT выполняет вызывающий код.
Лицензия репозитория: MIT (перед коммерческим использованием нужно проверять лицензии отдельных исходных моделей).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Acapellas/AudioSeparatorONNX
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Acapellas/AudioSeparatorONNX --local-dir ~/models/AudioSeparatorONNX
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к AudioSeparatorONNX
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии AudioSeparatorONNX — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Acapellas/AudioSeparatorONNX
Автор
Acapellas
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии