К содержимому
Аудио

Splitwave models

разделение песен на вокал и минус прямо в браузере

2 мин чтенияобновлено

Набор оптимизированных ONNX-моделей для деления аудиодорожек на вокал, инструментал, лид-партию и бэк-вокал локально на компьютере пользователя через WebGPU или WebAssembly. В репозиторий вошли четыре проверенные модели от авторов UVR, viperx и aufr33: тяжёлые и точные BS-RoFormer и Mel-Band RoFormer в формате fp16, а также быстрые UVR-MDX-NET в исходном fp32. Главное отличие от оригинальных чекпоинтов — адаптация архитектуры RoFormer под ограничения WebGPU без потери точности вычислений, что позволяет запускать их без мощного бэкенда. Релиз пригодится разработчикам веб-приложений для работы со звуком, караоке-сервисов и музыкантам.

Ключевые особенности

  • Готовность к WebGPU и WebAssembly: разделение частотных полос (band split) в RoFormer перестроено под лимиты браузерного рендеринга с сохранением исходной математики.
  • Два режима работы под разные задачи: модели RoFormer отвечают за максимальное качество, а лёгкие MDX-Net — за высокую скорость обработки.
  • Смешанная точность (fp16/fp32): для компактности веса RoFormer переведены в fp16, но слои нормализации и таблицы позиций оставлены в fp32 для сохранения качества.
  • Проверка целостности: в комплекте идёт файл manifest.json с размерами и хешами SHA-256 для верификации скачанных весов в приложении.

Что можно сделать

  • Встроить в веб-сервис: запустить онлайн-инструмент для создания минусовок или извлечения акапелл, где все вычисления идут на устройстве пользователя без затрат на серверные GPU.
  • Сделать браузерное караоке: использовать связку из моделей разделения вокала и отсечения лид-партии (mel_roformer_karaoke_fp16.onnx или mdx_kara_2.onnx), оставляя только бэк-вокал.
  • Настроить выбор пресетов: предложить пользователям переключатель между быстрым предпросмотром на MDX-Net и финальным рендером в высоком качестве на BS-RoFormer.

Пример

Модели RoFormer принимают на вход 8-секундный фрагмент стерео-спектрограммы STFT размером [1, 2050, 801, 2] (при параметрах n_fft 2048 и hop 441) и возвращают комплексную маску, на которую умножается исходный спектр перед обратным преобразованием STFT в самом приложении.

ПодробнееКачество разделения: BS-RoFormer (ep 317) показывает SDR 12.98, а Mel-Band RoFormer karaoke — SDR 10.20.
Состав: bs_roformer_fp16.onnx и mel_roformer_karaoke_fp16.onnx (fp16), mdx_voc_ft.onnx и mdx_kara_2.onnx (fp32).
Лицензирование: модели распространяются на условиях оригинальных авторов (команда Ultimate Vocal Remover, viperx и aufr33).
Обсудить Telegram 1

Запустится ли?

Запустится в FP16

Влезает без сжатия.

  • FP16веса 0.4 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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 · FP16 — 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.

    # TheDailyOWO/splitwave-models
    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 TheDailyOWO/splitwave-models --local-dir ~/models/splitwave-models
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к splitwave-models
  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 splitwave-models — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

TheDailyOWO/splitwave-models
Автор
TheDailyOWO
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

Аудио

LongCap_ICLR

LongCap_ICLR
Аудио

TinyVoca DDSP

TinyVoca DDSP