一条命令、三个模型文件：DeepFilterNet ONNX 导出与多端部署实践-北京尧图网络

一条命令、三个模型文件DeepFilterNet ONNX 导出与多端部署实践【免费下载链接】DeepFilterNetNoise supression using deep filtering项目地址: https://gitcode.com/GitHub_Trending/de/DeepFilterNetDeepFilterNet 的 ONNX 导出只需一条命令。跑完后你会拿到enc.onnx、erb_dec.onnx、df_dec.onnx三个模型文件外加一份config.ini和一个开箱即用的 tar.gz 压缩包可以直接往桌面、移动端或服务端上搬。包里有什么三个 onnx、一份配置、一个压缩包导出产物不是一整个大模型而是被拆成三块的模型。理解分工后面选部署方案就顺了。三个 onnx 文件各管什么enc.onnx编码器吃两路特征——ERB 特征feat_erb和复数谱特征feat_spec吐出中间表征e0~e3、嵌入emb、系数c0和信号质量估计lsnr。它是唯一接触原始特征的部件。erb_dec.onnxERB 域解码器输入emb加上e3~e0输出掩码m决定每个 ERB 频段的衰减幅度。df_dec.onnx深度滤波解码器输入emb和c0输出 FIR 滤波系数coefs在时频域上做精细滤波。拆成三块是刻意的。降噪链路中编码器和两个解码器可以独立调用在资源受限的设备上你完全可以只跑其中一部分比如只保留 ERB 域处理换取更低开销而不必整条链路上阵。导出脚本 DeepFilterNet/df/scripts/export.py 就是按这个顺序逐块导出、逐块校验的。附带产物配置、版本与压缩包三个 onnx 之外导出目录里还有config.ini从所选模型的模型目录复制过来的推理配置version.txt记录模型名和训练 epochDeepFilterNet2_onnx.tar.gz上面五样东西自动打包的压缩包命名随所选模型变化。各组件的输入、输出张量快照也会存成.npz文件如enc_input.npz这是验收时做输出对比的现成基准。一条命令拿到全部环境怎么准备导出走的是 PyTorch 侧仓库DeepFilterNet/requirements.txt要求torch 2.0README 里给出的最低线是 1.8此外脚本本身依赖onnx、onnxruntime、onnxsim而main()入口还强制要求装monkeytype缺了会直接退出pip install torch torchaudio onnx onnxruntime onnxsim monkeytype python DeepFilterNet/df/scripts/export.py --simplify ./onnx_export两个参数值得留意./onnx_export位置参数产物目录脚本会自动创建--simplify启用 onnxsim 做图简化并回写文件简化后若校验不过会自动跳过、保留原文件另有--opsetONNX opset 版本默认 12和--no-check跳过导出校验-m指定基座模型缺省用预训练的 DeepFilterNet2。导出全程给时间轴开了动态轴导出的模型能接受不同长度的音频不用按固定分帧数去凑输入。产物目录长这样./onnx_export/ ├── enc.onnx / erb_dec.onnx / df_dec.onnx ├── config.ini / version.txt ├── *.npz各组件输入输出快照 └── DeepFilterNet2_onnx.tar.gz不想自己导的话models/ 目录里直接躺好了现成的 ONNX 包DeepFilterNet2_onnx.tar.gz、DeepFilterNet2_onnx_ll.tar.gz、DeepFilterNet3_onnx.tar.gz和DeepFilterNet3_ll_onnx.tar.gz。带ll后缀的是低延迟变体对实时性敏感的场景优先选它。拿到之后怎么用验收三步加载、跑一遍、和原始输出比用任意 ONNX 运行时加载enc.onnx喂入feat_erb和feat_spec确认输出e0~e3、emb、c0、lsnr的张量形状符合预期依次把erb_dec.onnx、df_dec.onnx串起来跑看m和coefs是否连续可算用导出时留存的.npz基准做数值对比。导出脚本内部就是这么干的先过 onnx checker再用assert_allclosertol 1e-6、atol 1e-5核对 ONNX 输出与 PyTorch 输出超差会打印警告。你复现这一步即可确认手里的包没问题。换端部署怎么选运行时目标端运行时建议仓库入口桌面 / 实时采集Rust 侧 libDF内部用 tract 跑 ONNX或 ONNX Runtimedemo/ 提供可运行的麦克风降噪示例移动端Android 等ONNX Runtime Mobile把 tar.gz 解压进 assets 后按端上 API 加载模型直接用 models/ 现成包服务端 / 嵌入式集成libDF 暴露的 C APIcapi 特性或 ONNX Runtime / TensorRT 自托管libDF/排障速查症状先查什么导出脚本报错退出monkeytype是否安装torch 版本是否满足 2.0onnx/onnxruntime/onnxsim是否齐全且版本新校验输出不一致、元素超差换--opset版本重试确认简化步骤是否跳过了校验推理偏慢、体积偏大确认带了--simplify进一步做量化按目标平台选对 ExecutionProvider端上加载失败运行时是否支持该 opset是否需要换ll低延迟变体收个尾导出物就是三个 onnx 一份配置一个压缩包验收、换端、排障都围绕这一套东西展开。包已经打好剩下的只是挑一个运行时把它装上。【免费下载链接】DeepFilterNetNoise supression using deep filtering项目地址: https://gitcode.com/GitHub_Trending/de/DeepFilterNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

一条命令、三个模型文件：DeepFilterNet ONNX 导出与多端部署实践

相关推荐

YOLOv8鸡蛋检测系统：从数据集制作到Web部署全流程

归并排序：分治思想、代码实现与复杂度优化全解析

ProCAST中文帮助文档：铸造仿真参数速查与缩孔预测指南

更多资讯

大模型生产级后训练：从微调到可落地的流水线

生产级后训练实战：从数据准备到模型部署的完整指南

Muse Code新计划解读：本地AI辅助编码与批量任务实践指南

AI应用工程化实践：从模型选型、本地部署到批量任务落地

VC++ 通过 USB 直连 GT800 打印 ZPL 标签：通道选型、指令拼装与避坑指南

WPE封包全套实战：从Winsock Hook到封包修改重放指南

今日更新

NetSpot 实战：用信道分析与频宽优化解决 Wi-Fi 卡顿

C++ split() 字符串分割的五种实现与性能实测

R语言坐标轴范围设置：从xlim/ylim到coord_cartesian的完整指南

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？