2026年11月14日,
inworld/voice-isolator 模型在 HuggingFace 上发布,任务类型为 audio-to-audio。它可以从含噪录音和 48 kHz 的实时音频中分离出人声。仓库中有两个版本:voice-isolator-v1 用于离线处理录音,voice-isolator-v1-realtime 用于流式音频,延迟为 20 毫秒。模型大小为 0.5 GB,最大的文件是 0.2 GB 的 denoiser.safetensors,权重格式为 safetensors。许可证为 apache-2.0,代码已开源。
这意味着什么
在我们的
音频生成器分类中,目前还没有用于清除语音噪声的工具。主题最接近的是语音和音乐生成器:Coqui 的
XTTS、M-A-P 的
YuE(YuE(乐)) 和 Fish Audio 的
Fish Speech。它们解决的都是相反的任务——合成语音或音乐,而不是从录音中分离人声。
按体积来看,voice-isolator 明显更轻:0.5 GB,而 XTTS 为 1.9 GB,YuE 为 11.6 GB。voice-isolator 的 apache-2.0 许可证与 YuE 相同,而 XTTS 限于非商业用途,Fish Speech 则限于营收不超过 50 万美元。voice-isolator 的作者未说明显存要求,而 YuE 声称需要 24 GB。
该模型填补了指南中的空白:发布前清理录音和准备语音数据集是单独一类任务,我们此前还没有涉及。
方法的结构。示意图根据本篇简讯绘制。