/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
22,4 ГБ
Лицензия
MIT
Архитектура
qwen2_5_omni · dense
Библиотека
transformers
Опубликована
23 янв 2026

acestep-transcriber

Распознавание речиАудио, текст → текст5 профессий

Мультиязычная модель ACE-Step для транскрибации речи и пения с разметкой структуры песен.

3 073скачиваний за 30 дней65лайковвеса обновлены3 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов.

Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

Сценарии применения

  • распознавание речи в аудиозаписях
  • извлечение текста песен из вокальных записей
  • автоматическая разметка куплетов, припевов и переходов
  • создание субтитров и текстовых расшифровок аудио
  • подготовка размеченных аудиоданных для музыкальных моделей

Ограничения

Точность может зависеть от языка, качества записи и разборчивости вокала; сведения о работе с шумом и музыкальными наложениями в карточке не приведены.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Tech Report

ACE-Step Transcriber

Description

ACE-Step Transcriber is the annotation model used by ACE-Step v1.5 for training data labeling. It is a powerful multilingual audio transcription model capable of transcribing both speech and singing voice with high accuracy.

Key Features

  • 🌍 50+ Languages Support - Covers major world languages and regional dialects
  • 🎤 Speech Transcription - Accurately transcribes spoken content
  • 🎵 Singing Voice Transcription - Specialized in lyrics transcription with musical structure annotations
  • 🏷️ Structure Annotation - Automatically identifies song sections (verse, chorus, bridge, etc.)

Usage

The usage is the same as Qwen2.5 Omni-7B.

Prompt Format

Use the following prompt to transcribe audio:

*Task* Transcribe this audio in detail
<audio>

Output Format

The model outputs structured content in the following format:

# Languages
<language_code>

# Lyrics
[Section Tag - Optional Instrument]

<transcribed content>
...

Example Output

# Languages
en

# Lyrics
[Intro - Acoustic Guitar]

[Verse 1]
Walking down the empty street tonight
Stars are shining oh so bright
...

[Chorus]
This is where we belong
Singing our favorite song
...

Supported Section Tags

  • [Intro], [Outro]
  • [Verse 1], [Verse 2], etc.
  • [Chorus], [Pre-Chorus], [Post-Chorus]
  • [Bridge]
  • [Guitar Interlude], [Instrumental]
  • [Spoken]

Supported Languages (50+)

The model supports transcription in over 50 languages, including but not limited to:

RegionLanguages
East AsiaChinese (zh), Japanese (ja), Korean (ko)
Southeast AsiaVietnamese (vi), Thai (th), Indonesian (id), Malay (ms), Filipino (tl)
South AsiaHindi (hi), Bengali (bn), Tamil (ta), Urdu (ur)
EuropeEnglish (en), German (de), French (fr), Spanish (es), Italian (it), Portuguese (pt), Russian (ru), Polish (pl), Dutch (nl), Greek (el), Turkish (tr)
Middle EastArabic (ar), Hebrew (he), Persian (fa)
OthersAnd many more regional languages...

Use Cases

  • Music Production - Transcribe reference tracks for lyrics extraction
  • Dataset Creation - Generate high-quality labeled data for music AI models
  • Accessibility - Create subtitles and captions for audio content
  • Music Analysis - Extract structural information from songs

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5OmniForConditionalGeneration
Ревизия весов
53062cf

0 моделей