К содержимому
Другое

HDemucs-High-Vocals-ONNX

выделение вокала из аудио без PyTorch

2 мин чтенияобновлено

Модель извлекает вокальную дорожку из готового микса: на вход подаётся 10-секундный стереофрагмент (44.1 кГц) и его спектрограмма STFT (кратковременное преобразование Фурье), а на выходе получается временная ветка и частотный спектр чистого голоса. В основе лежат оригинальные веса HDEMUCS_HIGH_MUSDB_PLUS из пакета torchaudio (обучены Meta на датасете MUSDB-HQ и 150 дополнительных треках), переведённые автором chartreuse-verte в формат ONNX. Главное отличие от оригинала — отсутствие зависимости от тяжёлого фреймворка PyTorch: граф использует только стандартные операторы и запускается через легкий движок onnxruntime (от версии 1.17 и выше) даже на CPU. Пригодится разработчикам аудиоприложений, ботов и локальных утилит для очистки речи от фоновой музыки.

Ключевые особенности

  • Полная автономность от PyTorch: весит 335 МБ, собрана в ONNX Opset 17 (IR 8) и работает на стандартном CPU-провайдере onnxruntime.
  • Точность оригинала: при обёртке в numpy STFT/iSTFT с перекрытием в 1 секунду совпадает с эталонным HDemucs из torchaudio с показателем 83 dB SDR или лучше на клипах до 60 секунд.
  • Эффективное подавление музыки: при отделении голоса от пианино, пэдов, ударных и баса уровень шума в паузах падает с −18…−36 дБ до −45…−77 дБ, а средний SI-SDR вырастает с 18 до 22 дБ.
  • Открытая лицензия MIT: модель и исходные веса можно свободно использовать в своих проектах.

Что можно сделать

  • Встроить выделение вокала в десктопный аудиоредактор, веб-сервис или Telegram-бот без необходимости тащить в контейнер гигабайты библиотек PyTorch.
  • Использовать как шаг предобработки перед распознаванием речи (ASR) или созданием караоке-минусовок, чтобы убрать музыкальную подложку из записи.

Пример

Для получения готового аудиофайла нужно подать на вход графа нормализованный стереосегмент wave формы (1, 2, 441000) и его комплексную спектрограмму spec формы (1, 4, 2048, 431) (n_fft 4096, hop 1024), а затем сложить выходной тензор time с обратным преобразованием Фурье (iSTFT) от выхода freq.

ПодробнееОграничения: это разделитель музыки, а не шумодав — фоновый шум комнаты и гул сети модель почти не убирает.
Особенности голоса: обычная речь проходит с качеством 43–45 дБ SI-SDR, но шёпот и голос с придыханием частично воспринимаются как аккомпанемент (17% кадров теряют более 6 дБ).
Железо и формат: файл hdemucs-high-vocals.onnx (335 МБ, float32), совместим с onnxruntime 1.17+ на CPU.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.8 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.

    # chartreuse-verte/HDemucs-High-Vocals-ONNX
    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 chartreuse-verte/HDemucs-High-Vocals-ONNX --local-dir ~/models/HDemucs-High-Vocals-ONNX
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HDemucs-High-Vocals-ONNX
  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 HDemucs-High-Vocals-ONNX — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

chartreuse-verte/HDemucs-High-Vocals-ONNX
Автор
chartreuse-verte
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии