CPU3D3D、视频与音频的 AI 工具

HuggingFace 上的 Inworld voice-isolator 新模型:用于语音降噪

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。
inworld/voice-isolator:语音降噪 audio-to-audio, 48 kHz, HuggingFace 输入 含噪录音 或实时音频 voice-isolator 两种模型版本 权重 0.5 GB denoiser.safetensors 0.2 GB 输出 纯净人声 无噪声 两种模型版本 voice-isolator-v1 离线处理 录音 voice-isolator-v1-realtime 流式音频 延迟 20 ms 权重对比:voice-isolator 0.5 GB · XTTS 1.9 GB · YuE(YuE(乐)) 11.6 GB 许可证 apache-2.0 · 填补语音降噪空白
方法的结构。示意图根据本篇简讯绘制。

相关阅读