К содержимому
Аудио

audiosronnx-voiceisolator

потоковое выделение целевого голоса в ONNX

2 мин чтенияобновлено

Набор готовых ONNX-графов на базе моделей Scicom voice-isolator для библиотеки audiosronnx. Модель решает задачу target-speaker extraction (выделение голоса конкретного говорящего): она оставляет в аудиопотоке только нужного спикера, вырезая посторонние голоса и фоновый шум, и работает с частотой 16 кГц на входе и выходе. Определить целевой голос система может либо по короткому образцу (enrollment clip), либо автоматически по самым громким 3 секундам входного сигнала. В отличие от тяжелых PyTorch-реализаций, здесь собраны компактные потоковые графы — от легких CPU-версий на 22M параметров до крупной GPU-сборки на 555M с каузальным WavLM-Large. Решение пригодится разработчикам голосовых ассистентов, систем транскрибации и приложений для звонков.

Ключевые особенности

  • Работает в потоковом (streaming) режиме с задержкой всего 10 мс для CPU-версий (шаг GPU-версии фиксирован на 50 фреймах или 0,5 с).
  • Включает 6 вариантов сборки: базовую CPU-модель (22M, 85 МБ), ее квантованную 8-битную версию (25 МБ), крупную GPU-версию (555M, 2,2 ГБ), а также модификации agent с порогом присутствия речи (presence gate).
  • Состоит из двух графов в каждой папке: enroll.onnx извлекает вектор голоса спикера, а step.onnx пошагово фильтрует спектр.
  • Точность вывода совпадает с оригинальными реализациями: максимальная абсолютная ошибка составляет 0.0 для CPU-вариантов и не превышает 1.2e-7 для large/agent/.

Что можно сделать

  • Встроить в голосового ИИ-агента (используя вариант agent с presence gate), чтобы бот слышал только пользователя и игнорировал фоновые разговоры.
  • Подключить как этап предобработки перед ASR (распознаванием речи) в библиотеке audiosronnx для очистки звонков и записей диктофона.
  • Запустить легкую 8-битную версию (int8/ весом 25 МБ) локально на устройствах без видеокарты для фильтрации речи в реальном времени.

Пример

from audiosronnx import load_denoise

iso = load_denoise("voiceisolator")                         # CPU-версия
iso = load_denoise("voiceisolator", model="agent")          # с presence gate
iso = load_denoise("voiceisolator", quantized=True)         # 8-bit
iso = load_denoise("voiceisolator", enrollment="me.wav")    # привязка к голосу

clean, rate = iso.denoise("call.wav")                       # rate == 16000
ПодробнееАрхитектура: потоковые ONNX-графы на базе Scicom-intl/voice-isolator-cpu (22M) и Scicom-intl/voice-isolator (555M, включает каузальный WavLM-Large).
Сверка с оригиналом (Parity): 0.0 max abs err на 22 с для всех CPU-графов; 7.5e-8 на 14 с для large/ и 1.2e-7 для large/agent/ (float32).
Требования и формат: аудио 16 кГц; расчет STFT, overlap-add и кольцевых буферов внимания (10 с) выполняется в numpy; вес файлов от 25 МБ (int8) до 2.2 ГБ (large).
Ограничения: в оригинальном репозитории указана лицензия other без приложенного текста условий.
Обсудить Telegram 0 25

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 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 · BF16 — 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.

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

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

О модели

TigreGotico/audiosronnx-voiceisolator
Автор
TigreGotico
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии