К содержимому
Другое

MixIT FUSS TF-Locoformer m8 sparse16

разделение аудио на 8 слотов

2 мин чтенияобновлено

Модель берёт моно-запись 8 кГц и раскладывает её на восемь неупорядоченных дорожек-источников. Это не готовый продукт, а исследовательский чекпоинт: компактная TF-Locoformer на 8 выходных слотов, дообученная на реверберантных смесях FUSS без изолированных источников в функции потерь. База — sammyliu/mixit-fuss-tflocoformer-m8-plain-seed1; отличие в sparse-дообучении на 20 000 шагов и выборе пяти лучших чекпоинтов по development source SI-SDRi. Пригодится для экспериментов с разделением звука и проверки рецепта MixIT.

Ключевые особенности

  • 8 выходных слотов: порядок не задан, семантических классов нет.
  • Sparse fine-tune: коэффициент 16, 20 000 обновлений после родительской модели.
  • В релизе пять лучших чекпоинтов, выбранных по source SI-SDRi на development-наборе.
  • Вход — моно 8 кГц; для оценки использовали центральные 4 секунды сцены.
  • Код инференса и рецепт в комплекте; обучение целиком не включено.

Что можно сделать

  • Разложить короткий моно-фрагмент 8 кГц на дорожки и посмотреть, как модель справляется с наложением источников.
  • Сравнить пять чекпоинтов через параметр checkpoint=... и выбрать подходящий по метрике.
  • Встроить инференс в исследовательский пайплайн на PyTorch для аудио-экспериментов.
  • Взять рецепт sparse MixIT как основу для собственного дообучения на похожих данных.

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)
sf.write("source_00.wav", outputs[0][0].numpy(), 8000, subtype="FLOAT")
ПодробнееDevelopment source SI-SDRi: 9.1209 дБ (95% интервал 8.5558–9.7180 дБ). Holdout MixIT: 12.5916 дБ; на финальном шаге 20k SI-SDRi — 8.6834 дБ.
Для обучения указана одна NVIDIA A100 80GB; инференс возможен на CPU. Вход — моно 8 кГц, около 4 секунд.
Независимого теста нет: метки источников использовались для выбора чекпоинтов. Возможны переразделение, фрагментация и артефакты; 8 кГц нельзя напрямую сравнивать с 16 кГц бенчмарками.
Веса доступны, но отдельной лицензии на веса не предоставлено.
Обсудить Telegram 0 30

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-ft20k-seed1
    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-ft20k-seed1 --local-dir ~/models/mixit-fuss-tflocoformer-m8-sparse16-ft20k-seed1
    # 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-seed1 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 4Все на Hugging Face

О модели

sammyliu/mixit-fuss-tflocoformer-m8-sparse16-ft20k-seed1
Автор
sammyliu
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии