WavTokenizer

环境要求

• 已安装 Conda（可创建 conda 环境）
• Python 3.9（README 指定 python=3.9）
• 能访问 GitHub 与 HuggingFace 下载代码和模型权重
• 磁盘空间用于存放预训练 checkpoint（README 未给出具体大小）

安装与启动步骤

1. 1克隆项目仓库

   从 GitHub 拉取 WavTokenizer 源码，后续依赖文件和配置文件都在仓库内，需先进入仓库目录再执行后续命令。

   git clone https://github.com/jishengpeng/WavTokenizer.git
   cd WavTokenizer

   复制

2. 2创建 conda 环境

   README 明确要求 Python 3.9，建议用独立环境避免依赖冲突；环境名按 README 使用 wavtokenizer。

   conda create -n wavtokenizer python=3.9

   复制

3. 3激活环境

   激活刚创建的 wavtokenizer 环境，之后所有安装和运行命令都要在该环境下执行。

   conda activate wavtokenizer

   复制

4. 4安装依赖

   在仓库根目录根据 requirements.txt 安装 Python 依赖；若下载缓慢可自行配置国内 pip 镜像。

   pip install -r requirements.txt

   复制

5. 5修改配置文件

   README 的 Step2 说明需要修改配置文件，但节选未给出具体内容和参数项，请以仓库中实际配置文件为准。

6. 6下载预训练权重

   README 提到模型 checkpoint 发布在 HuggingFace 的 novateur 账号下，需按所选版本下载权重后再推理。

如何确认成功

README 未提供验证命令；确认 conda 环境已激活、依赖安装无报错，并能加载仓库配置文件即可。

常见问题

注意事项

• 本项目面向音频语言建模，可在极低码率（40 或 75 token/秒）下编码语音、音乐和通用音频。
• README 节选缺少 Step2 配置文件修改的具体内容，配置项需以仓库实际文件为准，切勿照搬猜测参数。
• 模型权重需另行从 HuggingFace 下载，README 未给出一键下载命令。
• 论文发表于 ICLR 2025，引用信息见 README 中的 BibTeX。