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.Как устроен метод. Схема нарисована по этой заметке.