Hacktoberfest 2026：メンテナが10月に向けて印を付けた、オープンで初心者向けの issue。 Hacktoberfest の issue を見る

[Tracking] Complete audio task coverage across CPU, GPU, and NPU backends

オープン
  • 何か問題がありますか？
#23,164 コメント 7 件 リアクション 1 件 担当者 0 名 GitHub で見る

メンテナーはふだん 1 日以内に返信

まだ誰も着手していません。

評価

難易度
5/5
見積もり時間
1週間以上
初心者へのやさしさ
20/100
issue の種類
機能追加
明瞭さ
説明が足りない
活発さ
活発
技術スタック
python
領域
embedded-iot, machine-learning

調査の方向性

Review the existing audio examples and issue #23131 first, then use the MLX-Audio references to choose one task from the priority list. Validate the selected model across CPU, GPU, and NPU backends, comparing quality and performance. Done means the task is covered with backend gaps and measured results recorded.

索引モデルが issue の本文から書いたものです。

説明

enhancement module: examples

Make ExecuTorch the go-to place for common audio tasks across CPU, GPU, and NPU backends. Prioritize task coverage, current model quality, MLX-Audio support, and Hugging Face adoption.

Implementation priority below. Evaluation candidates are conditional on a measured benefit over the selected model or existing examples.

  1. Qwen3-ASR 0.6B — multilingual transcription; evaluate 1.7B.
  2. Qwen3-ForcedAligner 0.6B — word-level alignment and timestamps.
  3. Qwen3-TTS — CustomVoice 0.6B, Base voice cloning, then 1.7B VoiceDesign.
  4. Nemotron 3.5 ASR streaming 0.6B — live transcription.
  5. Smart Turn v3 — conversational end-of-turn detection.
  6. Nemotron 3 Diarization — speaker diarization; extend backend coverage (#23131).
  7. Parakeet / Whisper — transcription and translation; extend existing examples.
  8. Silero VAD — speech activity detection; extend backend coverage.
  9. Supertonic 3 — lightweight TTS; extend backend coverage.
  10. Voxtral / Voxtral Realtime / Voxtral TTS — audio understanding, live ASR, and TTS; extend existing examples.
  11. LFM2.5-Audio 1.5B — speech-to-speech interaction.
  12. DeepFilterNet3 — speech enhancement and denoising.
  13. SAM-Audio — prompted sound extraction.
  14. DialogueSidon — overlapping speaker separation.
  15. Mel-Band-RoFormer — vocal/instrumental separation.
  16. MOSS-Music — music understanding and lyrics transcription.
  17. MiniMax Music 3 — music and song generation.
  18. VoxCPM2 — evaluate additional voice-cloning/design quality and control.
  19. Granite Speech 5.0 470M TurboCTC — evaluate compact English ASR.
  20. Canary v2 — evaluate uncovered speech-translation needs.
  21. VibeVoice-ASR Streaming — evaluate joint transcription/diarization beyond composed pipelines.
  22. MossFormer2 SE — evaluate enhancement quality beyond DeepFilterNet3.

Use available MLX-Audio references for initial comparisons, then validate across CPU, GPU, and NPU backends and track quality, performance, and backend gaps.

cc @iseeyuan @lucylq @helunwencser @tarun292 @kimishpatel @jackzhxng @metascroy

主要言語
Python
スター
5k
フォーク
1.2k
平均マージ
2日 10時間
マージ済み PR（30日）
573

環境構築

はじめの一歩

  1. issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
  2. 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
  3. リポジトリをフォークし、ブランチを切って変更します。
  4. issue 番号を参照したプルリクエストを送ります。

pytorch/executorch のほかの issue

pytorch/executorch の issue をすべて見る

似ている issue

Python の issue をもっと見る

新しい issue をメールで受け取る

初心者向けの GitHub issue を短くまとめたダイジェスト。