К содержимому
Аудио

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.
Обсудить Telegram 1

Запустится ли?

Запустится в FP32

Влезает без сжатия.

  • FP32веса 0.2 GB · готовые файлы0.7 GB
  • BF16веса 0.1 GB0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 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 · FP32 — 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.

    # koidn/bs-roformer-sw-onnx-vocals
    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 koidn/bs-roformer-sw-onnx-vocals --local-dir ~/models/bs-roformer-sw-onnx-vocals
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к bs-roformer-sw-onnx-vocals
  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

Дообучение модели

remy-st/BS-ROFO-SW-Fixed

Новые посты про версии BS-ROFO-SW-Fixed — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

koidn/bs-roformer-sw-onnx-vocals
Автор
koidn
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии