CPU3DИИ-инструменты для 3D, видео и звука

Новая модель Inworld voice-isolator для очистки речи от шума на HuggingFace

На HuggingFace 14 ноября 2026 года опубликована модель inworld/voice-isolator с задачей audio-to-audio. Она выделяет голос из зашумлённых записей и живого аудио на частоте 48 kHz. В репозитории два варианта: voice-isolator-v1 для офлайн-обработки записей и voice-isolator-v1-realtime для потокового аудио с задержкой 20 мс. Модель весит 0,5 ГБ, самый большой файл — denoiser.safetensors на 0,2 ГБ, веса в формате safetensors. Лицензия — apache-2.0, код выложен в открытый доступ.

Что это значит

В нашем разделе генераторов звука пока нет инструментов для очистки речи от шума. Ближайшие по теме — генераторы речи и музыки: XTTS от Coqui, YuE от M-A-P и Fish Speech от Fish Audio. Все они решают обратную задачу — синтез речи или музыки, а не выделение голоса из записи. По весу voice-isolator заметно легче: 0,5 ГБ против 1,9 ГБ у XTTS и 11,6 ГБ у YuE. Лицензия apache-2.0 у voice-isolator совпадает с YuE, тогда как XTTS ограничен некоммерческим использованием, а Fish Speech — выручкой до 500 тысяч долларов. Требования к видеопамяти автор voice-isolator не указывает, в отличие от YuE с заявленными 24 ГБ. Модель закрывает пробел в справочнике: очистка записей перед публикацией и подготовка речевых датасетов — отдельный класс задач, которого у нас пока не было.
inworld/voice-isolator: очистка речи от шума audio-to-audio, 48 kHz, HuggingFace Вход зашумлённая запись или живое аудио voice-isolator два варианта модели вес 0,5 ГБ denoiser.safetensors 0,2 ГБ Выход чистый голос без шума Два варианта модели voice-isolator-v1 офлайн-обработка записей voice-isolator-v1-realtime потоковое аудио задержка 20 мс Сравнение веса: voice-isolator 0,5 ГБ · XTTS 1,9 ГБ · YuE 11,6 ГБ Лицензия apache-2.0 · закрывает пробел в очистке речи
Как устроен метод. Схема нарисована по этой заметке.

Смотрите также