/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
zipformer · dense
Опубликована
6 окт 2025

auden-encoder-tta-m10

Распознавание речиАудио → текст

Многоязычный Zipformer-энкодер AudenAI для извлечения представлений речи, используемых в распознавании, переводе и выравнивании аудио с текстом.

10скачиваний за 30 дней5лайковвеса обновлены24 янв 2026

Бенчмарки

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

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

AudenAI/auden-encoder-tta-m10 — многоязычный аудиоэнкодер из семейства Zipformer, разработанный AudenAI как часть модели TTA. Он предназначен для извлечения представлений речи для распознавания речи, перевода речи и выравнивания аудио с текстом; README также указывает на поддержку межъязыкового поиска по речи. Модель принимает аудиопризнаки, которые можно извлечь из исходной записи, и выдаёт последовательность векторов энкодера; сама по себе она не формирует транскрипцию или перевод без соответствующей модели декодирования.

Модель ориентирована на речь на английском, китайском, японском, корейском, французском, испанском, португальском, русском, вьетнамском и индонезийском языках. README рекомендует аудио с частотой 16 кГц и показывает использование PyTorch-подобных тензоров; размер параметров и длина контекста не приведены. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Качество зависит от записи и акустических условий; для длинных записей могут понадобиться разбиение на фрагменты и последующая обработка. Модель не предназначена для задач, где ошибка может повлечь критические последствия.

Сценарии применения

  • извлечение векторов речи для многоязычного распознавания
  • подготовка аудио представлений для перевода речи
  • оценка выравнивания аудио и текста
  • поиск речевых фрагментов на разных языках

Ограничения

Качество зависит от акустических условий; для длинных записей могут потребоваться разбиение на фрагменты и постобработка. Не предназначена для критически важных приложений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TTA: Transcribe, Translate and Alignment for Cross-lingual Speech Representation

TTA is a multilingual model that jointly supports transcribe, translate, and align tasks. It provides strong multilingual ASR/ST performance and cross-lingual speech retrieval capability.

🔗 Paper: https://arxiv.org/abs/2511.14410
🔗 Model: https://huggingface.co/AudenAI/auden-tta-m10
🔗 Encoder: https://huggingface.co/AudenAI/auden-encoder-tta-m10
🔗 Code: https://github.com/AudenAI/Auden/tree/main/examples/tta

🔍 What Can This Model Do?

  • 🎙️ Multilingual ASR (transcribe)
  • 🌍 Speech translation (translate)
  • 🧩 Audio–text alignment (align)
  • 🔎 Cross-lingual speech retrieval

Quick Start

TTA model

from auden.auto.auto_model import AutoModel

# 1) Load a model checkpoint directory (contains config.json + weights)
model_dir = "AudenAI/auden-tta-m10"  # or any exported directory / HF repo id
model = AutoModel.from_pretrained(model_dir)
model = model.to("cuda")
model.eval()

# 2) Prepare input features (x, x_lens). If you have raw audio, you can use
#    model.speech_encoder.extract_feature(wav) to get (x, x_lens).
x, x_lens = ...  # Tensor shapes: (B, T, F), (B,)

inputs = (x, x_lens)
# Alternatively, you can pass WAV inputs directly:
# - List of WAV paths (str):
#   inputs = ["/abs/a.wav", "/abs/b.wav"]
# - List of mono waveforms (Tensor/ndarray), 16 kHz:
#   inputs = [torch.randn(16000*5), torch.randn(16000*3)]

# 3a) Transcribe (RNNT greedy)
out = model.generate(inputs, task="transcribe", blank_penalty=0.0, return_timestamps=False)
print(out["hypotheses"])  # list[str]

# 3b) Translate (attention beam search). Language can be a single str or a list[str] per utterance
out = model.generate(
    inputs,
    task="translate",
    beam_size=5,
    source_language=["zh"] * x.size(0),
    target_language=["en"] * x.size(0),
)
print(out["hypotheses"])      # list[str]
print(out["source_language"]) # list[str], model-predicted or provided
print(out["target_language"]) # list[str], model-predicted or provided

# 3c) Align (audio-text similarity)
texts = ["hello world", "good morning"]
out = model.generate(inputs, task="align", texts=texts)
print(out["similarities"])  # (B, len(texts))
print(out["audio_emb"]) # (B, emb_dim)
print(out["text_emb"]) # (B, emb_dim)

TTA encoder

from auden.auto.auto_model import AutoModel
encoder = AutoModel.from_pretrained("AudenAI/auden-encoder-tta-m10")
encoder = encoder.to("cuda")

# 2) Prepare input features (x, x_lens). If you have raw audio, you can use
#    encoder.extract_feature(wav) to get (x, x_lens).
x, x_lens = ...  # Tensor shapes: (B, T, F), (B,)

encoder_output = encoder(x, x_lens)
print(encoder_output["encoder_out"]) # (B, T//4, D)
print(encoder_output["encoder_out_lens"]) # (B)

📌 Model Characteristics

  • Input: Raw audio waveform (16 kHz recommended)
  • Output: Transcription, translation, or alignment scores
  • Encoder: TTA encoder (AudenAI/auden-encoder-tta-m10)
  • Tasks: transcribe / translate / align

📊 Evaluation

Multilingual ASR & ST

Model#ParamsAISHELL1/2 (CER↓)Wenet (CER↓)LibriSpeech (WER↓)CommonVoice (WER↓)MLS (WER↓)VoxPopuli (WER↓)FLEURS (WER↓)CoVoSTv2 (BLEU↑)
Whisper Medium762M6.74 / 6.2311.00 / 22.682.88 / 6.0811.867.2712.086.6235.12
Whisper Large-v21.54B5.90 / 5.249.47 / 22.772.64 / 5.149.705.6511.905.2038.80
Whisper Large-v31.54B5.33 / 4.769.00 / 15.682.01 / 3.898.304.4813.784.5137.60
ZT (ASR)199M1.89 / 3.146.91 / 6.081.58 / 3.626.925.8211.126.35–
ZT-AED (ASR)246M1.82 / 3.076.89 / 6.181.54 / 3.596.705.7110.786.18–
ZT-AED (Full)246M1.80 / 3.036.96 / 5.941.56 / 3.766.695.7210.886.1734.72
🔥 TTA (Ours)247M1.85 / 3.097.06 / 6.441.58 / 3.856.765.7410.876.1935.28

TTA Encoder (LLM-ASR Encoder Evaluation)

EncoderAishell CER↓LibriSpeech WER↓
Whisper-Medium5.474.66
Whisper-Large4.873.64
ZT-AED2.922.30
TTA (Ours)1.921.95

Training Data

Full data composition (open-source links + in-house aggregation):

LanguageData SourceTypeHoursTotal HoursShare
Chinese (Zh)WenetSpeechOpen Source10,005129,26537.1%
AISHELL-2Open Source1,000
AISHELL-1Open Source150
Common VoiceOpen Source237
YodasOpen Source222
In-house DataIn-house117,651
Code-SwitchTALCSOpen Source5558,9242.6%
In-house DataIn-house8,369
English (En)LibriheavyOpen Source45,751107,62630.9%
Multilingual LibriSpeech (MLS)Open Source44,659
GigaSpeechOpen Source10,000
YodasOpen Source3,426
Common VoiceOpen Source1,778
LibriSpeechOpen Source960
VoxPopuliOpen Source522
TED-LIUMOpen Source453
AMI CorpusOpen Source77
Japanese (Ja)ReazonSpeechOpen Source35,38940,42611.6%
YodasOpen Source499
Common VoiceOpen Source19
In-house DataIn-house4,519
Korean (Ko)KsponSpeech (AIHub)Open Source96520,0955.8%
KrespSpeech (AIHub)Open Source2,906
KconfSpeech (AIHub)Open Source2,928
MeetingSpeech (AIHub)Open Source4,962
GyeongsangSpeech (AIHub)Open Source2,481
YodasOpen Source1,528
Common VoiceOpen Source1
In-house Data (Aggregated)In-house4,324
Russian (Ru)GolosOpen Source1,22115,2464.4%
Public Speech & RadioOpen Source1,651
Buriy AudiobookOpen Source874
Public Youtube DatasetOpen Source809
YodasOpen Source2,606
Common VoiceOpen Source37
In-house DataIn-house8,048
Vietnamese (Vi)GigaSpeech 2Open Source6,0488,3902.4%
Bud500Open Source324
VLSP 2020Open Source101
ViMDOpen Source81
LSVSCOpen Source80
YodasOpen Source140
Common VoiceOpen Source2
In-house DataIn-house1,614
Indonesian (Id)GigaSpeech 2Open Source6,3528,2382.4%
YodasOpen Source442
Common VoiceOpen Source7
In-house DataIn-house1,437
French (Fr)Multilingual LibriSpeech (MLS)Open Source1,0764,1241.2%
YodasOpen Source1,423
Common VoiceOpen Source831
VoxPopuliOpen Source205
In-house DataIn-house589
Spanish (Es)Multilingual LibriSpeech (MLS)Open Source9174,5961.3%
YodasOpen Source2,399
Common VoiceOpen Source502
VoxPopuliOpen Source151
In-house DataIn-house627
Portuguese (Pt)Multilingual LibriSpeech (MLS)Open Source1601,6020.5%
YodasOpen Source852
Common VoiceOpen Source25
In-house DataIn-house565

Language totals from the same table:

LanguageTotal HoursShare
Chinese (Zh)129,26537.1%
English (En)107,62630.9%
Japanese (Ja)40,42611.6%
Korean (Ko)20,0955.8%
Russian (Ru)15,2464.4%
Code-Switch8,9242.6%
Vietnamese (Vi)8,3902.4%
Indonesian (Id)8,2382.4%
Spanish (Es)4,5961.3%
French (Fr)4,1241.2%
Portuguese (Pt)1,6020.5%

⚠️ Limitations

  • Performance depends on audio quality and recording conditions.
  • For long-form audio, chunking and post-processing might be required for optimal performance.
  • Not designed for safety-critical applications.

Citation

If you use this model in your research, please cite:

@article{liu2025tta,
  title={TTA: Transcribe, Translate and Alignment for Cross-lingual Speech Representation},
  author={Liu, Wei and Li, Jiahong and Shao, Yiwen and Yu, Dong},
  journal={arXiv preprint arXiv:2511.14410},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура zipformer неизвестна transformers в образе рантайма.

Ревизия весов
beba2a4

0 моделей