/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,1 млрд
Размер весов
16,4 ГБ
Архитектура
FLMAudio · dense
Опубликована
23 июл 2025

FLM-Audio

Генерация текстаТекст → текст3 профессии

FLM-Audio — двусторонняя аудиоязыковая модель для голосового общения, распознавания и синтеза речи на английском и китайском языках.

2 962скачиваний за 30 дней13лайковвеса обновлены8 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

FLM-Audio — аудиоязыковая модель CofeAI, созданная на основе RoboEgo/FLM-Ego. Это плотная LLM-архитектура с 7,1 млрд параметров, аудиоэнкодером для входящей речи и декодером для генерации аудио. Модель поддерживает двусторонний диалог в реальном времени: одновременно слушает, говорит и формирует внутренний монолог; в README заявлены английский и китайский языки.

Модель предназначена для голосового общения, распознавания речи и синтеза речи. Обучение включало постобучение на аудиоданных и дообучение на многоходовых речевых диалогах с обработкой перебиваний и шумов. В метаданных указан контекст 8192 токена и формат safetensors. Авторы сообщают об устойчивости к шуму и перебиваниям и о низкой задержке, однако приведённые результаты относятся к описанным авторами тестам.

README ограничивает назначение исследовательским использованием; для коммерческого использования предлагается связаться с авторами. Модель может генерировать предвзятый или оскорбительный контент, поэтому качество и безопасность ответов требуют оценки в конкретном сценарии.

Сценарии применения

  • голосовой диалог с одновременным прослушиванием и ответом
  • распознавание английской речи
  • распознавание китайской речи
  • синтез речи на английском языке
  • синтез речи на китайском языке
  • обработка перебиваний и фонового шума в голосовом чате

Ограничения

Модель может выдавать предвзятый или оскорбительный контент. Коммерческое использование требует согласования с авторами; заявленные свойства и результаты основаны на оценках из README.

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

FLM-Audio

FLM-Audio is a audio-language subversion of RoboEgo/FLM-Ego -- an omnimodal model with native full duplexity. It simultaneously listens, speaks, and composes internal monologue, delivering low‑latency, duplex conversational responses in both English and Chinese. FLM‑Audio is robust to noise and user interruptions, prioritizing responsiveness and naturalness.

📄 Model Card

  • Language(s): Chinese; English;

📚 Technical Report

Motivation & Survey: Toward Embodied AGI: A Review of Embodied AI and the Road Ahead

FLM-Audio Research Paper: FLM-Audio: Natural Monologues Improves Native Full-Duplex Chatbots via Dual Training

Omnimodal System Card: RoboEgo System Card: An Omnimodal Model with Native Full Duplexity

⚠️ Bias, Risks, and Limitations

Despite extensive data cleaning, FLM‑Audio may still produce undesired content (e.g., biased or offensive language). Users should not disseminate unsafe outputs. Project authors are not responsible for misuse or harmful consequences.

🚀 Quick Start

Please refer to the repository of FLM-Audio server to interact with FLM-Audio via WebUI.

ℹ️ Usage Notice

This project is intended for research use only in compliance with applicable laws. For commercial use, please contact us.

🏗️ Training Details

Overview

We initialize the FLM-Audio backbone with a pre-trained language model. This initialization strategy significantly reduces computational cost while remaining effective for validating the core concepts of omnimodality and full duplexity. The training process of FLM-Audio consists of two stages: post-training and fine-tuning.

1. Post-training

In post-training, we introduce audio-oriented capabilities to the backbone model using a large-scale corpus of audio data, while preserving the language modeling abilities of the pre-trained foundation model. This stage encompasses a broad spectrum of speech-related tasks, including automatic speech recognition (ASR), text-to-speech synthesis (TTS).

2. Supervised Fine-tuning (SFT)

In this stage, we fine-tune FLM-Audio to function as a general-purpose, full-duplex audio-language chatbot. To this end, we primarily utilize synthesized multi-turn, speech dialogues. This dataset is further augmented to support full-duplex interruption handling and to enhance robustness against environmental noise.

Model Architecture

To handle real-time language and audio, FLM-Audio features an LLM-based backbone with 7B parameters, enhanced by an audio encoder that embeds incoming speech into semantic + acoustic tokens, and a decoder that generates audio tokens. Listening, speaking, and internal monologue are interleaved in synchronized timesteps, with improved stream organization compared to related work (e.g. Moshi).

🧪 Evaluation

Audio Understanding, Generation

FLM-Audio performs comparably with strong audio-language models, most of which lacks native duplexity.

ModelASR-zh↓ASR-en↓TTS-zh↓TTS-en↓
Fleurs-zhLibriSpeech-cleanSeed-tts-zhSeed-tts-en
GPT-4o5.4---
MinMo3.01.72.482.90
GLM-4-Voice-2.82.102.91
Moshi-5.7--
Qwen-2.5-omni3.01.81.702.72
FLM-Audio5.43.22.102.95

Chat

Regarding chatting experience, FLM-Audio demonstrates advantages in speech naturalness and responsiveness. The following are LLM-scores for audio chatting scenarios like Alpaca-eval, as well as human evaluation in video-grounded omnimodal chatting. The human scores in Naturalness and Responsiveness reflect the contribution of the same audio-oriented training as FLM-Audio.

ModelLLM score↑Helpfulness↑Naturalness↑Responsiveness↑Robustness↑
Qwen-2.5-omni6.367.47.98.17.7
FLM-Audio6.587.28.28.88.0

🙏 Acknowledgements

This work is supported by the National Science and Technology Major Project (No. 2022ZD0116314).

🗨️ Citation

If you find our work helpful, please consider citing the following papers.

@article{embodied-agi,
  title={Toward embodied agi: A review of embodied ai and the road ahead},
  author={Wang, Yequan and Sun, Aixin},
  journal={arXiv preprint arXiv:2505.14235},
  year={2025}
}
@article{roboego,
  title={RoboEgo System Card: An Omnimodal Model with Native Full Duplexity},
  author={Yao, Yiqun and Li, Xiang and Jiang, Xin and Fang, Xuezhi and Yu, Naitong and Sun, Aixin and Wang, Yequan},
  journal={arXiv preprint arXiv:2506.01934},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
FLMAudioForCausalLM
Ревизия весов
c0e0ef9

0 моделей