/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
247 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
29 дек 2025

GPA

Генерация текстаТекст → текст4 профессии

GPA — компактная модель для распознавания и синтеза речи, а также преобразования голоса в единой архитектуре.

75скачиваний за 30 дней34лайкавеса обновлены9 апр 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

GPA (General Purpose Audio) — компактная модель, объединяющая распознавание речи, синтез речи и преобразование голоса в одном авторегрессионном трансформере с общей языковой основой. Репозиторий Audio8 включает обучающие и дообучающие конвейеры, примеры инференса и средства развертывания; карточка также описывает отдельный дистиллированный вариант GPA-TTS для синтеза речи на устройствах с ограниченными ресурсами.

Основной GPA построен на плотной архитектуре Qwen3ForCausalLM, содержит 246,5 млн параметров и поддерживает контекст до 32 768 токенов. В модели объединены обработка аудио и текста для ASR, TTS и преобразования голоса; заявлены английский и китайский языки. Проект подчёркивает потоковый и параллельный инференс, а GPA-TTS — клонирование голоса по короткому образцу и локальную работу без внешней LLM.

Модель предназначена для голосовых приложений, включая облачное развертывание и сценарии на периферийных устройствах. Репозиторий лицензирован по Apache-2.0. Приведённые в README таблицы результатов частично опущены, поэтому по этой карточке нельзя независимо оценить сравнительное качество модели.

Сценарии применения

  • распознавание речи в аудиозаписях
  • потоковая транскрибация речи
  • синтез речи по тексту
  • преобразование голоса в аудио
  • клонирование голоса по короткому образцу с GPA-TTS

Ограничения

Для GPA-TTS отдельно заявлено клонирование голоса; карточка не подтверждает эту возможность для основного чекпойнта GPA. Таблицы сравнительных оценок в README частично опущены, поэтому результаты качества по карточке проверить нельзя.

Для каких профессий подходит4

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

GPA: One Model for Speech Recognition, Text-to-Speech, and Voice Conversion

GitHub GitHub

TL;DR GPA incorporates three speech tasks into one single model and this repo includes codes of training, fine-tuning and effecient deployment of GPA.

🆕 GPA-TTS Updates

GPA-TTS is a standalone, ultra-efficient TTS runtime distilled from GPA, designed for edge deployment.

• INT8/INT4 quantized: among the smallest open-source TTS runtimes • Runtime-selectable decoder: INT8 / FP16 / FP32 (quality vs. efficiency trade-off)
• Zero-shot voice cloning from short reference audio
• Fully local: no external LLM required
• Production-ready REST API with voice management

Built for developers deploying voice applications on resource-constrained devices.

📖 Abstract

GPA stands for General Purpose Audio.

In academia, a student’s GPA (Grade Point Average) serves as a unified metric that reflects performance across diverse subjects—ranging from Calculus and Philosophy to Gym class.

Similarly, our GPA model unifies the three major pillars of audio tasks—Text-to-Speech (TTS), Automatic Speech Recognition (ASR), and Voice Conversion (VC)—into a single auto-regreesive transformer.

  • Our open-source content includes support for multiple frameworks and provides production-ready code suitable for cloud deployment.
  • we include concise inference examples and training pipelines for research purpose.
  • The released 0.3B model is also perfect for edge devices and edge deployment is to be released.

🔍 Model Overview

⚡ Model Performance

The following results are obtained by benchmarking services instantiated via the official deployment scripts, reflecting end-to-end performance in realistic serving scenarios rather than offline inference.

Among currently available open-source systems, our model is one of the few that natively supports both concurrent and streaming inference, while achieving performance comparable to the first tier of existing approaches.

💡Note

  • TTFC: Time To First Chunk (TTS)
  • TTFT: Time To First Token (ASR)
  • RTF: Real-Time Factor (audio duration / synthesis time)

TTS Streaming Benchmark (Latency & Throughput)

ASR Streaming Benchmark

📊 Evaluation Metric Results

TTS Evaluation Table

ModelOpen-SourceModel Sizetest-zh CER (%) ↓test-zh Sim (%) ↑test-en WER (%) ↓test-en Sim (%) ↑
Multi-Stage or NAR Methods
Human--1.2675.52.1473.4
Seed-TTS❌-1.1279.62.2576.2
MiniMax-Speech❌-0.8378.31.6569.2
F5-TTS✅0.3B1.5274.12.0064.7
CosyVoice2✅0.5B1.4575.72.5765.9
FireRedTTS2✅1.5B1.1473.21.9566.5
Index-TTS2✅1.5B1.0376.52.2370.6
VibeVoice-1.5B✅1.5B1.1674.43.0468.9
VibeVoice-Realtime✅0.5B--2.0563.3
HiggsAudio-v2✅3B1.5074.02.4467.7
VoxCPM✅0.5B0.9377.21.8572.9
GLM-TTS✅1.5B1.0376.1--
GLM-TTS RL✅1.5B0.8976.4--
Fun-CosyVoice3-0.5B-2512✅0.5B1.2178.02.2471.8
Fun-CosyVoice3-0.5B-2512_RL✅0.5B0.8177.41.6869.5
One-Stage AR Methods
Spark TTS✅0.5B1.2066.01.9857.3
GPA-0.3B-preview✅0.3B0.9565.91.5156.5

ASR Evaluation Table

Note: ASR results on Librispeech and Aishell-1. WER (%) is reported for Librispeech, and CER (%) is reported for Aishell-1.

ModelModel SizeLibrispeech test-cleanAishell-1
Models with < 0.5B parameters
Whisper-S0.24B3.13-
GPA-0.3B-preview0.3B8.884.50
Models with > 0.5B parameters
Fun-ASR-nano0.8B1.761.80
FireRed-ASR1.1B1.840.54
GLM-ASR-nano1.5B2.001.81
GLM-ASR-nano*1.5B2.172.17
Whisper-L1.55B1.824.72
Kimi-Audio-1.320.71
Step-Audio2-1.170.63
Seed-ASR-1.580.68
Seed-ASR*-2.801.63
Fun-ASR7.7B1.511.22

🙏 Acknowledgements

We borrowed a lot of code from the following excellent projects:

🔗 Citation

If you find GPA useful for your research or projects, please cite us:

@misc{cai2026unifyingspeechrecognitionsynthesis,
      title={Unifying Speech Recognition, Synthesis and Conversion with Autoregressive Transformers}, 
      author={Runyuan Cai and Yu Lin and Yiming Wang and Chunlin Fu and Xiaodong Zeng},
      year={2026},
      eprint={2601.10770},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2601.10770}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
eebf82a

0 моделей