/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
8,2 ГБ
Лицензия
Apache 2.0
Архитектура
audio8_asr_infinite · dense
Библиотека
transformers
Опубликована
1 окт 2026

Audio8-ASR-Infinite

Генерация текстаТекст → текст

Производная модели Edge0/Audio8-ASR-Infinite. Потоковая модель Edge0 для распознавания китайской и английской речи с настраиваемой задержкой и поддержкой непрерывной транскрипции.

23скачиваний за 30 дней0лайковвеса обновлены1 окт 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 FAISALFAZALHUSSAIN/Audio8-ASR-Infinite на Hugging Face совпадает с карточкой Edge0/Audio8-ASR-Infinite, поэтому описание составлено по ней.

Audio8 ASR Infinite — модель потокового распознавания речи, разработанная Edge0. Она предназначена для транскрибирования китайской и английской речи в реальном времени, в том числе непрерывных аудиопотоков. Архитектура основана на аудиомодели Voxtral Realtime 4B: обучены аудиобашня, проектор и эмбеддинги длины кадра; текстовый декодер использует 36 слоёв. Модель принимает аудио и выдаёт текст.

Потоковый режим поддерживает настраиваемый аудиотакт 80, 120 или 160 мс и задержку транскрипции 240–560 мс. В README заявлены семантическое определение пауз и завершения реплики, а также обработка неограниченно длинного потока с постоянными затратами памяти и задержкой благодаря Rolling KV Cache и адаптированной сборке vLLM. Нативный контекст чекпойнта составляет 30 секунд; бесконечная длительность относится к режиму с Rolling KV Cache. Оптимальные сочетания параметров постобучены не для всех конфигураций.

Модель выпущена как preview, а семантическое восприятие на уровне кадров обозначено как работа в процессе. В приведённых сравнениях качество зависит от языка и набора данных: результаты сильны на китайских тестах, тогда как на LibriSpeech test.clean уступают Voxtral-Mini-4B-Realtime-2602. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование китайской речи в реальном времени
  • транскрибирование английской речи в реальном времени
  • непрерывная расшифровка аудиопотока
  • субтитры для живых аудио- и видеотрансляций
  • распознавание речи с настраиваемой задержкой

Ограничения

Это предварительная версия; заявленное семантическое восприятие на уровне кадров ещё разрабатывается. Качество зависит от языка и тестового набора, а оптимальные параметры потоковой обработки постобучены лишь для перечисленных в README сочетаний.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Audio8 ASR Infinite

Hugging Face GitHub arXiv License

Audio8 ASR Infinite is a native streaming speech recognition model built to be as responsive as possible. It offers a selectable audio clock (80/120/160 ms) and a transcription delay (240–560 ms). With our adapted vLLM build it transcribes unlimited-length audio 24/7 without drifting.

Highlights

  • Super responsive — the native streaming architecture decodes 12.5 times per second.
  • Unlimited-length transcription — a rolling KV Cache keeps both memory and latency constant, even in 24/7 operation.
  • Selectable streaming clock — one text token per clock step (12.5 / 8.3 / 6.25 decisions per second), balancing perception granularity and resource cost.
  • Configurable transcription delay — set how much delay to trade for accuracy.
  • Semantic VAD — distinguishes thinking pauses, stuttering and real end of turn, where traditional acoustic VAD usually fails.
  • Bilingual — Chinese and English.

See Audio8-ASR-Infinite in action

The checkpoint has a native context of 30 seconds. But with Rolling KV Cache, it can transcribe 24/7 nonstop.

Optimized operation points

The following combinations of frame length and delay are post-trained. Other combinations can be used but performance may not be optimum.

audio clockframe_lenstreaming_n_left_pad_tokensselectable target_delay_ms
80 ms418240 / 320 / 480 / 560
120 ms612240 / 480
160 ms89320 / 480

target_delay_ms must be an integer multiple of the selected clock, so longer delays stay available at every clock even when they are not listed above.

Architecture

Inherits the Voxtral realtime audio architecture and DSM-style streaming.

ComponentInitial weightsTrained
Causal Audio TowerVoxtral Realtime 4B✅
Audio Projectorrandom initialisation✅
Frame Length Embeddingrandom initialisation✅
DecoderQwen2.5-3B-Instruct✅
LM HeadQwen2.5-3B-Instruct✅

Checkpoint specification:

audio tower32 layers, hidden 1280, 128 mel bins, sliding window 750
text decoder36 layers, hidden 2048, 16 query heads / 2 KV heads
projectormax frame len 8 → projection size 10240, gelu
frame-length conditioningenabled (use_frame_len_embedding: true)
semantic VAD headssemantic_vad_heads.safetensors, 8 classes, horizons 0.5 / 1.0 / 2.0 / 3.0 s
vocab size151936
dtypebfloat16
weights8.17 GB model.safetensors (+ semantic_vad_heads.safetensors)

Roadmap

This is the preview release: it delivers the transcription base. Realtime semantic perception is being built on the same frame grid and the same acoustic forward pass.

StageStatusScope
Preview — ASR base✅ doneStreaming Chinese/English transcription: selectable 80/120/160 ms clock, configurable target_delay_ms, unlimited-length rolling KV window
Formal release🏃in progressFrame-level semantic perception on the same grid, beyond transcription

Evaluation

480 ms Delay, 80ms frame length

test setmetricAudio8 ASR InfiniteVoxtral-Mini-4B-Realtime-2602nemotron-3.5-asr-streaming-0.6b
aishell1/testCER1.75016.79512.927@560ms
aishell4/testCER2.89316.45614.677@560ms
librispeech test.cleanWER3.0422.2103.353@560ms
librispeech test.otherWER6.8085.5527.140@560ms
average3.62310.253 (2 sets)9.524

Greedy decode with EOS suppressed, at the 80 ms audio clock with target_delay_ms = 480 (6 delay tokens). Error rates in percent. No repetition loops and no dropped trailing words.

Usage

Programmatic simulated-streaming decode with the embedded remote code:

import numpy as np
import torch
from transformers import AutoFeatureExtractor, AutoTokenizer

from audio8_asr_infinite.modeling.modeling_audio8_asr_infinite import (
    Audio8ASRInfiniteForConditionalGeneration,
    resolve_qwen_language_token_id,
    resolve_qwen_streaming_special_token_ids,
)
from audio8_asr_infinite.streaming_inference import simulated_streaming_greedy_decode_batch

checkpoint = "Edge0/Audio8-ASR-Infinite"
tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
feature_extractor = AutoFeatureExtractor.from_pretrained(checkpoint, trust_remote_code=True)
model = Audio8ASRInfiniteForConditionalGeneration.from_pretrained(
    checkpoint, trust_remote_code=True, torch_dtype=torch.bfloat16
).eval().cuda()

class AudioConfig:  # duck-typed: raw_audio_samples_per_token / streaming_n_left_pad_tokens / sampling_rate
    raw_audio_samples_per_token = 1280   # 80 ms @ 16 kHz
    streaming_n_left_pad_tokens = 18
    sampling_rate = 16000

waveform = np.load("sample.npy", allow_pickle=False).astype(np.float32)  # [-1, 1], 16 kHz mono
results = simulated_streaming_greedy_decode_batch(
    model=model,
    tokenizer=tokenizer,
    feature_extractor=feature_extractor,
    waveforms=[waveform],
    language_token_ids=[resolve_qwen_language_token_id(tokenizer, "zh")],
    special_ids=resolve_qwen_streaming_special_token_ids(tokenizer),
    audio_config=AudioConfig(),
    num_delay_tokens=[480 // 80],
    right_pad_text_tokens=10,
    dtype=torch.bfloat16,
    device=next(model.parameters()).device,
    max_new_tokens=512,
)
print(results[0]["final_text"])

Only a full merged weight directory is supported (this repository as-is); adapter-style or partially converted weights are not.

24/7 inference with vLLM

Docker compose is the canonical deployment path; it also serves the web demo:

cd docker
AUDIO8_MODEL_DIR=/path/to/checkpoint docker compose up -d

Verify with the web client shipped in the same stack:

http://localhost:8080/     # plain HTTP
https://localhost:8443/    # TLS proxy; accept the self-signed certificate

The same socket can be driven from a terminal:

python -m audio8_asr_infinite.examples.vllm_realtime_client \
    --ws-url ws://127.0.0.1:18191/v1/realtime \
    --audio sample.wav --language zh --target-delay-ms 480 --pace

18191 is the host port published by docker/docker-compose.yml; the service itself listens on 18190 inside the compose network. The rolling KV window is 30 s with exact RoPE re-basing, which is what keeps memory and latency bounded over 24/7 operation.

Torch inference (simulated streaming decode)

python -m audio8_asr_infinite.examples.torch_streaming_decode \
    --checkpoint /path/to/checkpoint \
    --audio sample.wav --language zh --transcription-delay-ms 480

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
Audio8ASRInfiniteForConditionalGeneration
Ревизия весов
10e201a

0 моделей