/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
9,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_omni_thinker · dense
Базовая модель
Qwen2.5-Omni-3B
Опубликована
26 авг 2026

streamsonic-v5.4-base

Распознавание речиАудио, текст → текст3 профессии

Дообученная Qwen2.5-Omni-3B для потокового анализа аудио и описания звуковых событий короткими фрагментами.

17скачиваний за 30 дней0лайковвеса обновлены26 авг 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

StreamSonic v5.4 Base — это дообученная Wenbo Gao модель Qwen2.5-Omni-3B в архитектуре Qwen2_5OmniThinkerForConditionalGeneration. Она предназначена для потокового восприятия аудио на устройстве и описания звуковых событий по аудиофрагментам длительностью 1,5 секунды. Репозиторий содержит только Thinker-компонент; веса объединены и доступны в формате safetensors. Модель обучена описывать каждый фрагмент, а для полного сценария v5.4 используются отдельные голова принятия решений и подавитель повторов.

Модель принимает аудио и выдаёт текстовые описания на английском и китайском языках. В описанном подходе аудиоанализатор заморожен, а обучение включает проектор, LoRA для LLM и эмбеддинги управляющих токенов. Лицензия — Apache-2.0. Карточка описывает базовый компонент системы; для распознавания значимых событий, выбора момента оповещения и подавления повторов требуется подключить дополнительные головы.

Сценарии применения

  • потоковое текстовое описание звуковых событий
  • анализ аудиозаписи короткими фрагментами
  • аудиомониторинг на устройстве
  • подготовка текстовых описаний для системы звуковых оповещений

Ограничения

В этой карточке представлены только базовая модель и Thinker-компонент; принятие решений об оповещениях и подавление повторов требуют дополнительных голов. Описания формируются по фрагментам длительностью 1,5 секунды.

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

StreamSonic v5.4 — Base (v4loud)

On-device streaming audio perception — silent by default, speak once at a salient event, don't repeat, correctly alert on danger. 端侧流式音频感知 —— 平时沉默、显著事件处开口一次、不重复念、对危险正确告警。

What this repo is / 这个仓库是什么

This is the base model of StreamSonic v5.4: Qwen2.5-Omni-3B, Thinker only, fine-tuned to the v4loud stage (streaming, 1.5s chunk, "always-describe"). Weights are merged (ready to load). 这是 StreamSonic v5.4 的基座模型:Qwen2.5-Omni-3B,仅 Thinker,微调到 v4loud 阶段(流式、1.5s chunk、随时会描述)。权重已 merged,可直接加载。

Full v5.4 system / 完整系统

v5.4 = this base + two small heads (hosted on GitHub): v5.4 = 本基座 + 两个小头(放在 GitHub):

Part 部件Where 位置Size
Base 底座 (v4loud, frozen)this repo 本仓库~8.8 GB
Main decision head 主决策头GitHub: weights/head.pt4.1 M
Secondary suppressor 二级抑制头GitHub: weights/sup.pt0.9 K

Code & slides / 代码与幻灯片: https://github.com/Buddy-svg/streamsonic

Inference / 推理

python src/train/s2_infer.py --audio <clip>.wav \
  --base BUDDY-0912/streamsonic-v5.4-base \
  --head weights/head.pt --sup weights/sup.pt \
  --sup-thr 0.70 --thr 0.75

Runtime knobs / 运行时旋钮: thr (main head 主头), sup-thr=0.70 (suppressor 抑制强度).

Method (short) / 方法简述

  • perceive → respond → decide. Self-built tri-state labeling (positive / negative / ignore) grounded on real acoustic change verified by three detectors (AST / CLAP / JSD) + source-clip review.
  • Respond: teach the model to always describe each 1.5s chunk (Projector + LLM LoRA + control-token embeddings; audio tower frozen).
  • Decide: a frozen-backbone decision head + a 0.9K secondary suppressor that halves repeated narration.
  • 自建三态标注(正 / 负 / ignore),建立在被三检测器投票 + 源片段审查验证过的真实声学变化上;先教"随时会描述",再学"何时开口 / 不重复"。

Author: Wenbo Gao (Intern) · Manager: Yuzhou Liu · Mentor: Gordan Han · Week 1 → Week 12 (v5.4).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5OmniThinkerForConditionalGeneration
Ревизия весов
9a3c8ad

0 моделей