bs-roformer-sw-onnx-vocals
вокальный ONNX-экстрактор с квантованием
2 мин чтения
Эта модель представляет собой специализированную версию вокального канала архитектуры BS-RoFormer SW-Fixed (44.1 kHz стерео), переписанную под onnxruntime для работы на CPU. Из графа удалены лишние инструменты, благодаря чему файл стал до 12 раз меньше оригинала, а инференс ускорился. Модель выдает чистый вокальный трек и выпускается в нескольких вариантах точности, включая квантованные int8-версии. Инструмент пригодится музыкантам, звукорежиссерам и разработчикам аудиоприложений для качественного разделения дорожек.
Ключевые особенности
- Уменьшенный размер: от 58 до 211 МБ в зависимости от варианта (в 3.4–12.2 раза меньше 6-стем версии).
- Работа на CPU: запуск через onnxruntime без обязательного наличия дискретной видеокарты.
- Различные форматы: доступны fp32, int8wo (weights-only) и динамические int8 варианты.
- Высокое качество: модель успешно проходит строгие тесты корреляции (corr > 0.999) по сравнению с базовым GGUF CLI.
Что можно сделать
- Извлечь чистый вокал из музыкальной композиции с помощью Python-скрипта или CLI-утилиты.
- Интегрировать вокальный сплиттер в собственные локальные аудиоконвейеры обработки звука.
- Сравнить скорость и точность между int8dyn_pc (для быстрого инференса) и int8wo_b32 (для максимальной верности оригиналу).
Пример
import soundfile as sf
from bsroformer_sw_onnx import Splitter
splitter = Splitter(
repo_id="remy-st/bs-roformer-sw-onnx-vocals",
filename="bs_roformer_sw6_vocals_int8dyn_pc.onnx",
num_stems=1,
stem_names=("vocals",),
)
mix, sr = sf.read("song.wav")
vocals = splitter.separate(mix)["vocals"]
sf.write("vocals.wav", vocals, sr)
Подробнее
• Вес моделей: от 58.2 МБ (int8dyn) до 211 МБ (fp32).• Метрики: int8wo_b32 показывает Pearson correlation 0.9999892 на длинных аудиоклипах.
• Требования: onnxruntime, numpy, soundfile, запуск на CPU.
• Ограничения: права на исходные веса официально не определены, рекомендуется для некоммерческого или частного использования.










Комментарии