/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
505 млн
Лицензия
Apache 2.0
Архитектура
arkasr · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
27 апр 2026

GPA-v1.5

Генерация текстаТекст → текст7 профессий

Производная модели Edge0/GPA-v1.5. GPA v1.5 — дообученная аудиоязыковая модель для распознавания речи и синтеза речи с условием на референсный голос.

65скачиваний за 30 дней27лайковвеса обновлены29 апр 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

Карточка модели Audio8/GPA-v1.5 на Hugging Face совпадает с карточкой Edge0/GPA-v1.5, поэтому описание составлено по ней.

GPA v1.5 — разработанная AutoArk-AI единая авторегрессионная аудиоязыковая модель для распознавания речи и синтеза речи. Репозиторий содержит чекпойнт для PyTorch и Hugging Face Transformers, а также поддерживает дообучение через Trainer. В метаданных указаны архитектура ArkASR, около 504,7 млн параметров, контекст 32 768 токенов и форматы PyTorch и Safetensors; базовая модель — Qwen/Qwen3-0.6B.

Модель предназначена для преобразования речи в текст и генерации речи по тексту с условием на референсный голос. В README описаны сценарии локального запуска и развёртывания сервисов, а также приведены оценки ASR на англоязычном LibriSpeech и китайском AISHELL-1. Карточка заявляет поддержку английского и китайского языков. Указанная лицензия — Apache-2.0.

В нативной версии GPA v1.5 преобразование голоса пока обозначено как планируемая функция, поэтому не следует считать его доступной возможностью этого чекпойнта. Для работы TTS требуются отдельные ресурсы токенизатора Spark; оптимизированные ONNX-файлы размещены в отдельном репозитории.

Сценарии применения

  • транскрибирование речи на английском и китайском языках
  • распознавание речи в аудиозаписях и встречах
  • синтез речи по тексту с заданным референсным голосом
  • дообучение модели распознавания или синтеза речи на собственных данных
  • локальный запуск ASR и TTS через PyTorch и Hugging Face

Ограничения

Преобразование голоса в нативной версии v1.5 обозначено как будущая возможность, а для TTS нужны отдельные ресурсы токенизатора Spark. Оптимизированный ONNX runtime опубликован отдельно от этого чекпойнта.

Для каких профессий подходит7

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

GPA v1.5: One Model for Speech Recognition, Text-to-Speech, and Voice Conversion

ArXiv GitHub Demo ONNX Runtime Assets

TL;DR This is the main Hugging Face checkpoint repo for GPA v1.5. Use it for native PyTorch / Hugging Face inference and fine-tuning. Runtime-optimized ONNX assets are published separately at AutoArk-AI/GPA-v1.5-onnx-runtime.

What Is GPA v1.5?

GPA stands for General Purpose Audio.

GPA v1.5 is a unified autoregressive audio-language model for speech understanding and generation. It currently supports:

  • ASR: automatic speech recognition.
  • TTS: text-to-speech with reference voice conditioning.
  • Training / fine-tuning: native Hugging Face Trainer workflow.
  • Deployment path: ONNX runtime assets and service code for local CLI, FastAPI, and browser UI testing.

Voice conversion support in the native v1.5 path is on the roadmap.

Hugging Face and GitHub Mapping

This Hugging Face repo stores the large checkpoint assets. The code, examples, and docs live in the GitHub repo:

GoalGitHub Entry PointHugging Face Assets
Native PyTorch / Hugging Face inferenceGPA_1.5/docs/infer.md, GPA_1.5/infer.pyThis repo: AutoArk-AI/GPA-v1.5
Fine-tuning / continued trainingGPA_1.5/docs/train.md, GPA_1.5/train.pyThis repo: AutoArk-AI/GPA-v1.5
ONNX CLI / FastAPI / browser UI runtimeGPA_1.5/onnx_runtime/README.mdAutoArk-AI/GPA-v1.5-onnx-runtime

Recommended Local Layout

For the least configuration, keep the checkpoint repos side by side:

GPA-v1.5/
GPA-v1.5-HF/
  GPA-v1.5/
    spark_tokenizer_model/
  GPA-v1.5-onnx-runtime/

What each path is used for:

  • GPA-v1.5-HF/GPA-v1.5: native PyTorch train / inference checkpoint.
  • GPA-v1.5-HF/GPA-v1.5/spark_tokenizer_model: Spark tokenizer assets used by native TTS.
  • GPA-v1.5-HF/GPA-v1.5-onnx-runtime: ONNX CLI / service / browser UI asset bundle.

With this layout, the native inference, training, and ONNX smoke tests can run without editing source paths.

Download

git clone https://github.com/AutoArk/GPA.git GPA-v1.5
mkdir -p GPA-v1.5-HF

huggingface-cli download AutoArk-AI/GPA-v1.5 \
  --local-dir GPA-v1.5-HF/GPA-v1.5

huggingface-cli download AutoArk-AI/GPA-v1.5-onnx-runtime \
  --local-dir GPA-v1.5-HF/GPA-v1.5-onnx-runtime

Where To Start

GPA v1.5 Release Overview

GPA v1.5
CheckpointOpen-sourced on Hugging Face
Native inferenceDirect PyTorch / Hugging Face execution for ASR and TTS
Native trainingFine-tuning and continued training with Hugging Face Trainer
ONNX runtimeCLI inference, FastAPI service, browser UI, voice registration, and runtime validation
PlannedVoice conversion support in the native v1.5 path

Evaluation Metric Results

TTS Evaluation

ModelOpen-SourceModel Sizetest-zh CER (%) ↓test-zh Sim (%) ↑test-en WER (%) ↓test-en Sim (%) ↑
Human--1.2675.52.1473.4
Seed-TTSNo-1.1279.62.2576.2
MiniMax-SpeechNo-0.8378.31.6569.2
F5-TTSYes0.3B1.5274.12.0064.7
CosyVoice2Yes0.5B1.4575.72.5765.9
FireRedTTS2Yes1.5B1.1473.21.9566.5
Index-TTS2Yes1.5B1.0376.52.2370.6
VibeVoice-1.5BYes1.5B1.1674.43.0468.9
VoxCPMYes0.5B0.9377.21.8572.9
Fun-CosyVoice3-0.5B-2512_RLYes0.5B0.8177.41.6869.5
Spark TTSYes0.5B1.2066.01.9857.3
GPA-v1.5Yes0.6B1.0370.21.4363.5

ASR Evaluation

WER (%) is reported for LibriSpeech. CER (%) is reported for AISHELL-1.

ModelModel SizeLibriSpeech test-cleanLibriSpeech test-otherAISHELL-1test_Meetingtest_Net
Whisper-S0.24B3.437.63---
GPA-v1.50.6B2.785.022.837.406.49
Fun-ASR-nano0.8B1.764.331.806.606.01
FireRed-ASR1.1B1.844.520.544.954.94
GLM-ASR-nano1.5B2.004.191.816.73-
Whisper-L1.55B1.863.434.7218.3911.89
Kimi-Audio-1.322.630.716.246.45
Step-Audio2-1.172.420.634.754.67
Seed-ASR-1.582.840.685.694.66
Fun-ASR7.7B1.513.031.226.175.46

License

This model is released under the Apache 2.0 license.

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

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ArkasrForConditionalGeneration
Ревизия весов
fb2c9e4

0 моделей