/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_omni_moe · dense
Базовая модель
Qwen3-Omni-30B-A3B-Instruct
Опубликована
13 мая 2026

FM-Speech

Классификация аудиоАудио → label3 профессии

FM-Speech анализирует аудиозаписи речи и выдаёт структурированный JSON с атрибутами речи по 14 измерениям.

42скачиваний за 30 дней6лайковвеса обновлены16 июн 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 «Текст» — 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

FM-Speech — модель ASLP-lab для анализа речи, созданная на основе мультимодальной архитектуры Qwen3-Omni-30B-A3B-Instruct. Она принимает необработанное аудио речи и формирует структурированный JSON с атрибутами речи по 14 измерениям. Для обучения использован подход Progressive Curriculum Fine-Tuning с последовательным переходом от вопросов с выбором ответа и вопросов-ответов к наращиванию возможностей и итоговому формированию JSON.

Модель подходит для детального анализа речевых характеристик; в README рекомендуется использовать vLLM для инференса и развёртывания. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение детальных атрибутов из аудиозаписи речи
  • формирование структурированной JSON-разметки речевых характеристик
  • анализ аудиозаписей для последующей разметки и исследования речи

Ограничения

Карточка не перечисляет 14 измерений и не приводит результаты оценки качества. Описанный сценарий ограничен анализом аудио речи и формированием структурированного JSON.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Leveraging the multi-dimensional fine-grained annotations produced by our pipeline, we introduce FM-Speech, built upon the frontier Qwen3-Omni (30B MoE) architecture.

🎙️ Input: Raw Speech Audio   ➔   📊 Output: 14-Dimension Fine-Grained Speech Attributes (Structured JSON)

To overcome modality gaps and text-conditioned hallucinations, FM-Speech is trained using a Progressive Curriculum Fine-Tuning framework, decoupling complex auditory comprehension into three incremental stages: Warm-up (MCQ/QA) --> Capability Ramp-up --> Final Alignment (Full JSON).

🚀 Usage & Environment Setup

Our model is built upon the Qwen3-Omni architecture. We strongly recommend using vLLM for the inference and deployment of FM-Speech.

Step 1: Create a fresh Python environment to avoid runtime conflicts and incompatibilities.

conda create -n fmspeech python=3.12
conda activate fmspeech

Step 2: Install required packages

# Install vLLM (Specifically version 0.13.0)
pip install vllm==0.13.0
# Note: If you meet an "Undefined symbol" error while using VLLM_USE_PRECOMPILED=1, 
# please use "pip install -e . -v" to build vLLM from source.

# Install Transformers and Accelerate
pip install transformers==4.57.3
pip install accelerate

# Install Qwen Omni utilities and Flash Attention
pip install qwen-omni-utils -U
pip install -U flash-attn --no-build-isolation

Step 3: Run Inference Prepare a sample audio file and run the inference script to generate the 14-dimension JSON output.

python infer.py

(See infer.py in our repository for detailed loading and inference examples).


Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3OmniMoeForConditionalGeneration
Ревизия весов
99e638b

0 моделей