К содержимому
Другое

mixit-fuss-tflocoformer-m8

разделение аудиосмесей на 8 отдельных дорожек

2 мин чтенияобновлено

Офлайн-модель для разделения сложного моноаудио (8 кГц) на отдельные звуковые источники без заранее размеченных эталонов при обучении. Она основана на компактной архитектуре TF-Locoformer с тремя двухпутевыми блоками и дообучена методом разреженного MixIT (Mixture Invariant Training — обучение на смесях без знания исходных дорожек) поверх базового чекпоинта mixit-fuss-tflocoformer-m8-plain-seed2 от автора sammyliu. На выходе модель раскладывает входящую запись на 8 несортированных слотов, сохраняя общую сумму сигнала, что пригодится исследователям звука и разработчикам систем очистки аудио.

Ключевые особенности

  • Обучение без изолированных дорожек: дообучение (8 000 шагов) велось только на реверберирующих смесях из датасета FUSS с добавлением штрафа за разреженность (коэффициент 16).
  • Компактная архитектура: используется облегчённый TF-Locoformer (64 канала, 4 головы внимания, FFN 128) с некаузальным вниманием по времени и частоте.
  • Консистентность смеси: обёртка автоматически нормирует входной сигнал по RMS и равномерно распределяет остаток между всеми 8 выходными слотами.
  • Набор чекпоинтов в релизе: помимо основного файла model.safetensors (шаг 7 000), доступны 5 лучших промежуточных весов и финальный срез на 8 000 шагов.

Что можно сделать

  • Разбор сложных акустических сцен: выделять отдельные звуковые события из плотных монозаписей, где одновременно звучит до 4–8 источников с реверберацией.
  • Исследование и сравнение чекпоинтов: запускать инференс на разных шагах обучения (от 2 000 до 8 000) для анализа компромисса между реконструкцией смеси и разделением источников.
  • Интеграция в пайплайны предобработки звука: использовать модель на CPU или GPU для первичной декомпозиции 8-килогерцовых аудиофрагментов перед дальнейшей фильтрацией.

Пример

import soundfile as sf
import torch
from inference import load_separator, separate

model = load_separator(".", device="cpu")
audio, sample_rate = sf.read("mixture_8khz.wav", dtype="float32")
outputs = separate(model, torch.from_numpy(audio), sample_rate=sample_rate)
for index, source in enumerate(outputs[0]):
    sf.write(f"source_{index:02d}.wav", source.numpy(), 8000, subtype="FLOAT")
ПодробнееКачество на отложенной выборке (4 сек, 653 сцены): source SI-SDRi 8.7694 dB (95% интервал [8.2281, 9.3632] dB), MixIT 12.3946 dB.
Для final.safetensors на 8-секундных фрагментах: source SI-SDRi 10.0744 dB, MixIT 12.7712 dB (независимый тест не проводился).
Формат входа: моно 8 000 Гц (оптимально 4–8 секунд), модель работает в офлайн-режиме (некаузальная).
Обучение: 20 000 сцен FUSS, PyTorch 2.7.1, 1× NVIDIA A100 80GB; код под лицензией Apache-2.0, на веса отдельная лицензия не выдана.
Обсудить Telegram 0 31

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 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 · F32 — 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.

    # sammyliu/mixit-fuss-tflocoformer-m8-sparse16-context8s-ft8k-seed2
    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 sammyliu/mixit-fuss-tflocoformer-m8-sparse16-context8s-ft8k-seed2 --local-dir ~/models/mixit-fuss-tflocoformer-m8-sparse16-context8s-ft8k-seed2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 mixit-fuss-tflocoformer-m8-plain-seed2 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 3Все на Hugging Face

О модели

sammyliu/mixit-fuss-tflocoformer-m8-sparse16-context8s-ft8k-seed2
Автор
sammyliu
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

310

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии