---
title: speech_mossformer2_separation_temporal_16k
canonical_url: "https://www.modelscope.cn/models/dengcunqin/speech_mossformer2_separation_temporal_16k"
md_url: "https://www.modelscope.cn/models/dengcunqin/speech_mossformer2_separation_temporal_16k.md"
repository: dengcunqin/speech_mossformer2_separation_temporal_16k
chinese_name: "MossFormer2语音分离+降噪-单麦-16k"
last_updated: 2026-08-27
license: "Apache License 2.0"
pipeline_tag: acoustic-noise-suppression
tasks:
  - acoustic-noise-suppression
model_type:
  - mossformer
library_name:
  - pytorch
frameworks:
  - pytorch
domain:
  - audio
downloads: 1707
stars: 29
tags:
  - Alibaba
  - Audio
  - "Speech Separation"
  - "语音分离"
  - acoustic-noise-suppression
  - "降噪"
---

# speech_mossformer2_separation_temporal_16k

> speech_mossformer2_separation_temporal_16k - dengcunqin 在 ModelScope 开源的模型。MossFormer2语音分离+降噪-单麦-16k

dengcunqin/speech_mossformer2_separation_temporal_16k 是 ModelScope 魔搭社区上的acoustic-noise-suppression模型，采用 Apache License 2.0 许可。

- **Repository**: dengcunqin/speech_mossformer2_separation_temporal_16k
- **License**: Apache License 2.0
- **Tasks**: acoustic-noise-suppression
- **Tags**: Alibaba, Audio, Speech Separation, 语音分离, acoustic-noise-suppression, 降噪
- **Downloads**: 1707
- **Stars**: 29
- **Last updated**: 2026-08-27

Source: https://www.modelscope.cn/models/dengcunqin/speech_mossformer2_separation_temporal_16k

---

# 最新降噪小模型在线体验：https://www.tulingyun.com/denoise.html
# 模型小，速度快，效果还可以。

# 主要改动
# 这个模型是mossformer2，2说话人，支持单声道，16k音频，同时发现模型在说话人分离的同时具备很强的降噪效果。
# 建议使用GPU进行推理，经过测试，GPU的推理速度是CPU的数十倍。
# 3-6说话人分离 视情况发布。


# MossFormer2语音分离模型介绍

本次发布为上一代单声道语音分离算法MossFormer的升级版。并在单声道语音分离任务上比MossFormer取得显著的性能提升。MossFormer模型主要采用了基于自注意力的MossFormer模块，倾向于强调较长范围、粗粒度的依赖关系，在有效建模较细粒度的循环模式方面存在不足。在MossFormer2模型中，我们引入了一种新颖的混合模型，通过将一个循环模块集成到MossFormer框架中，从而具备了同时建模较长范围、粗粒度依赖关系和较细粒度循环模式的能力。为了减轻非并行循环神经网络（RNN）的局限性，我们提出了一种基于前馈顺序记忆网络（FSMN）的非RNN循环模块。该循环模块包含一个基于扩张（dilated）机制的FSMN块，不仅通过扩张机制增强感受野，同时通过密集连接（Dense Connection）提高信息流动性。另外，我们还使用门控卷积单元（GCU）来设计循环模块，以便在降低嵌入维度和提高模型效率的同时，促进相关背景信息的门控控制。该循环模块依靠线性投影（Linear Projection）和卷积来实现对整个序列的无缝并行处理。MossFormer2模型在WSJ0-2/3mix、Libri2Mix和WHAM!/WHAMR!基准测试中表现出色，超越了MossFormer和其他最先进的方法。

## 模型的使用方式

模型pipeline 输入为个16000Hz采样率的单声道wav文件，内容是两个人混杂在一起的说话声，输出结果是分离开的两个单声道音频。

### 环境准备

* 本模型支持Linux，Windows和MacOS平台。
* 本模型使用了三方库SoundFile进行wav文件处理，**在Linux系统上用户需要手动安装SoundFile的底层依赖库libsndfile**，在Windows和MacOS上会自动安装不需要用户操作。详细信息可参考[SoundFile官网](https://github.com/bastibe/python-soundfile#installation)。以Ubuntu系统为例，用户需要执行如下命令:

```shell
sudo apt-get update
sudo apt-get install libsndfile1
```

### 代码范例

```python
import onnx
import onnxruntime as ort
import numpy as np
import soundfile as sf

def save_result(est_source):
    result = []
    for ns in range(2):
        signal = est_source[0, :, ns]
        signal = signal / np.abs(signal).max() * 0.5
        signal = signal[np.newaxis, :]
        # convert numpy array to pcm
        output = (signal * 32768).astype(np.int16).tobytes()
        result.append(output)
        save_file = f'output_spk{ns}.wav'
        sf.write(save_file, np.frombuffer(output, dtype=np.int16), 16000)

onnx_model_path = 'simple_model.onnx'
onnx_model = onnx.load(onnx_model_path)
onnx.checker.check_model(onnx_model)
ort_session = ort.InferenceSession(onnx_model_path)
input_data,sr = sf.read('mix_speech1_16000.wav')
if sr!=16000:raise 'Only supports 16000 Hz'
if input_data.ndim>1:raise 'Only supports 1 channel'
input_data = np.expand_dims(input_data, axis=0).astype(np.float32)
input_name = ort_session.get_inputs()[0].name
outputs = ort_session.run(None, {input_name: input_data})
output_data = outputs[0]
save_result(output_data)
```


### 降噪模型在线体验
https://www.tulingyun.com/denoise.html

### 微信交流
Funasr群找小邓

### 微信小程序
<img src="https://www.modelscope.cn/models/dengcunqin/speech_seaco_paraformer_large_asr_nat-zh-cantonese-en-16k-common-vocab11666-pytorch/resolve/master/%E5%BE%AE%E4%BF%A1%E5%B0%8F%E7%A8%8B%E5%BA%8F%E7%A0%81.jpg" alt="微信小程序"  width="500" />

### 模型局限性

本模型训练虽然尽量涵盖各类噪声和混响场景，我们也加入一定的电话通道数据，但由于训练数据有限，无法完全覆盖所有噪声、混响场景和电话场景，因而无法保障对各种混合数据上的分离效果！

## 训练数据介绍
本模型训练时使用了包括WSJ0-2Mix和 Libri2Mix的干净语音混合数据，以及WHAMR、DNS Challenge 2020带噪声及混响数据。

## 数据评估及结果
MossFormer2模型与其它SOTA模型在公开数据集WSJ0-2mix/3mix、Libri2Mix和 WHAM！/WHAMR！上的对比结果如下，注意：该对比结果使用的是MossFormer2模型在相应的数据集上训练后的参考测试结果，并非本次发布模型的测试结果。


### 指标说明：

* SI-SNR (Scale Invariant Signal-to-Noise Ratio) 尺度不变的信噪比，是在普通信噪比基础上通过正则化消减信号变化导致的影响，是针对宽带噪声失真的语音增强算法的常规衡量方法。SI-SNRi (SI-SNR improvement) 是衡量对比原始混合语音，SI-SNR在分离后语音上的提升量。


### 相关论文以及引用信息

Zhao, Shengkui and Ma, Bin et al, “MossFormer2: Combining Transformer and RNN-Free Recurrent Network for Enhanced Time-Domain Monaural Speech Separation”, submitting to ICASSP 2024.