К содержимому
Аудио

Echora Kiki

расшифровка текстов песен с таймкодами

2 мин чтенияобновлено

Мультиязычная audio-to-text модель от hcxlabs, которая распознаёт вокал в музыкальных треках и выдаёт текст песни вместе с приблизительными таймкодами строк. В основе лежит архитектура OpenMOSS-Team/MOSS-Transcribe-Diarize объёмом около 0.91B параметров, а сама версия представляет собой дообучение (fine-tune) предыдущей модели echora-moss-0.9b-multilingual-lyrics-transcriber на расширенном корпусе данных. В отличие от первой версии, модель училась на произвольных 60-секундных отрезках полных миксов, умеет отделять бэк-вокал в скобках и корректно оставлять пустой вывод на инструментальных фрагментах. Подойдёт разработчикам музыкальных плееров, караоке-сервисов и инструментов для каталогизации аудиоархивов.

Ключевые особенности

  • Распознаёт слова и расставляет таймкоды начала и конца каждой строки в секундах без предварительной подачи текста песни.
  • Выделяет партии бэк-вокала в круглые скобки прямо внутри основной строки текста.
  • Обучена на фрагментах без вокала, чтобы не придумывать лишний текст на чистых инструментальных проигрышах.
  • Поддерживает мультиязычную расшифровку и работу с языковыми промптами без автоматического перевода текста.
  • На валидационной выборке показатель loss снизился с 0.578 до 0.498 по сравнению с прошлой версией модели.

Что можно сделать

  • Автоматически генерировать синхронизированные субтитры (LRC-файлы) для личной музыкальной библиотеки.
  • Встроить в веб-плеер или Telegram-бота для быстрого получения текста и таймингов загруженного трека.
  • Использовать в связке с моделями разделения дорожек (vocal separation) и нарезкой на перекрывающиеся 60-секундные окна для обработки длинных композиций.

Пример

Модель принимает аудиофрагмент (опционально с промптом вида Transcribe the audio in . Do not translate it.) и возвращает размеченные по времени строки в формате:
[12.00][S01]Example lyric line[15.20]

ПодробнееБаза: OpenMOSS-Team/MOSS-Transcribe-Diarize (через hcX02/echora-moss-0.9b-multilingual-lyrics-transcriber), 0.91B параметров, чекпоинт шага 16 000.
Метрика: validation loss улучшился с 0.578 до 0.498 при обучении на полных миксах и 60-секундных окнах.
Ограничения: таймкоды приблизительные, метки дикторов (например, S01) не гарантируют точную идентификацию певца; возможны ошибки на повторяющихся фразах, эффектах и инструментальных участках.
Обсудить Telegram 0 29

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.7 GB · готовые файлы2.4 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 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.

    # hcxlabs/echora-kiki
    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 hcxlabs/echora-kiki --local-dir ~/models/echora-kiki
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к echora-kiki
  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 MOSS-Transcribe-Diarize — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

hcxlabs/echora-kiki
Автор
hcxlabs
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Kuroko

Kuroko