IndiCodec

IndiCodec

把语音变成两路紧凑的词元，再还原成 24 kHz 音频，码率 1.09 kbps，重点支持英语和十种印度语言。适合语音研究人员和文字转语音的开发者。

由 prakharkhatri 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：IndiCodec 是一个神经语音编解码器。它把语音变成两路整数词元，合计每秒 75 个，再解码回 24 kHz 的音频。它用来构建语音语言模型和文字转语音系统。它主要学习英语和十种印度语言，卡片说它在印度语言上表现最好。它建立在 Neuphonic 的 NeuCodec 之上，一个文件里有 624M 参数。

适合谁：它适合需要紧凑语音词元的语音研究人员和开发者，尤其是做印度语言的。你需要一点 Python 和 PyTorch 环境。

Industry | Who uses it | How they use it | Example
语音 AI | 语音语言模型研究人员 | 把语音变成语言模型可以学习的词元 | 把印地语和泰米尔语音频准备成词元数组
软件 | 文字转语音开发者 | 把预测出的词元解码回音频 | 用两个数组重建 24 kHz 的声音
研究 | 编解码器研究人员 | 在印度语言上比较低码率编解码器 | 把解码后的片段和原始音频对比打分
语言技术 | 做印度语言的团队 | 用小体积的词元形式存储语音 | 以每秒 75 个词元保存孟加拉语录音

做音乐的人应该去别处找，因为这个编解码器只处理语音。

用在哪里：

• 语音语言模型和文字转语音流水线
• 英语或卡片测试过的十种印度语言之一的音频
• 装有 Python 以及指定版本 PyTorch 和 torchaudio 的电脑

Use case | Who | What they get back
语音转词元 | 模型构建者 | 一个内容数组和一个声学数组
词元转语音 | 文字转语音开发者 | 24 kHz 音频
往返测试 | 研究人员 | 一份可以和原始音频对比打分的解码副本

如何设置：

• Python
• torch 和 torchaudio 2.6.0，加上卡片 pip 命令里的其他软件包
• NeuCodec 软件包，不带它自己的依赖，用卡片的最后一步安装
• 一个约 2.5 GB（F32）的权重文件所需的磁盘空间

1. 安装 Hugging Face hub 软件包。
2. 把仓库下载到名为 IndiCodec 的文件夹里，并进入该文件夹。
3. 安装卡片列出的软件包。
4. 运行卡片里为 NeuCodec 准备的额外安装步骤。

pip install -U huggingface_hub

hf download prakharkhatri/IndiCodec --local-dir IndiCodec && cd IndiCodec
pip install torch==2.6.0 torchaudio==2.6.0 safetensors soundfile transformers==4.51.* vector-quantize-pytorch==1.17.8 torchtune==0.5.0 torchao==0.9.0 local-attention einops librosa

如何使用：从权重文件加载模型，读取一个音频文件，调用 encode 得到两路词元数组，再调用 decode 把音频还原回来。无论你的录音是什么采样率，编解码器都会先把它转换成 16 kHz。输出是 24 kHz。

import soundfile as sf
from indicodec import IndiCodec

codec = IndiCodec.load("model.safetensors")
wav, sr = sf.read("speech.wav")

content, acoustic = codec.encode(wav, sr)    # token arrays
audio = codec.decode(content, acoustic)      # 24 kHz

Tool | What it does
IndiCodec.load | 从 model.safetensors 加载全部权重
encode | 把音频变成一个内容数组和一个声学数组
decode | 用这两个数组重建 24 kHz 音频

示例：你从 wav 文件里读取一段简短的印地语录音。encode 返回两个整数词元数组，每秒 75 个。decode 再把它们变回音频。在卡片的测试里，印度语言的词在这样往返之后，比用 Mimi、SNAC 或 NeuCodec 保留得更好。

新手与专家：编解码器把声音压缩成一小串数字，之后再重建它。语音语言模型读这些数字，就像文本模型读单词一样。第一步可以先对一段录音运行卡片里的简短 Python 示例，然后听听结果。

内容流承载文字内容，来自 w2v-BERT 2.0 的特征。声学流承载声音和细节。每一路都是单个有限标量量化网格，没有学出来的码本，也没有一叠残差码本。先编码内容，声学网格再编码剩下的部分。

任意采样率的语音输入
内容流和声学流被量化
输出两个词元数组
解码器重建 24 kHz 音频

注意事项：

• License: Apache 2.0，卡片说明允许商业使用。
• Cost to run: 未提及。你需要自己的电脑，不需要付费服务。
• Data it reaches: 它从 Hugging Face Hub 下载文件，卡片的最后一步安装会从 GitHub 获取 NeuCodec 代码。音频在你的机器上处理。
• Not for: 音乐，因为它只为语音而做。
• 训练数据使用开放许可，这个版本不附带任何音频。

Title: 往返之后的印度语言字符错误率，越低越好
IndiCodec: 6.3 percent
NeuCodec: 8.9 percent
SNAC: 13.3 percent
Mimi: 14.3 percent

Hugging Face 上的数据（2026年11月13日）

• 任务：audio to audio
• 参数量：624M
• Weights: about 2.5 GB in F32; about 312 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：81
• 点赞：7
• 许可证：apache-2.0
• 语言：en, hi, bn, gu, kn, ml, mr, or
• 标签：safetensors, indicodec, audio, speech, audio-codec, speech-tokenizer, speech-language-models, audio-to-audio

链接

• 模型：https://huggingface.co/prakharkhatri/IndiCodec
• 文件：https://huggingface.co/prakharkhatri/IndiCodec/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download prakharkhatri/IndiCodec

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。