/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
28 ноя 2025

Chroma-4B

Мультимодальная модель3 профессии

Мультимодальная модель FlashLabs для понимания входящей речи и генерации текстовых и голосовых ответов с возможностью клонирования голоса по референсному аудио.

67скачиваний за 30 дней392лайкавеса обновлены28 янв 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

Chroma 1.0 — мультимодальная причинная языковая модель, разработанная FlashLabs для голосового диалога в реальном времени. Она принимает аудио, понимает речь и формирует ответы одновременно в текстовой и синтезированной речевой форме; референсное аудио можно использовать для управления голосом и его клонирования.

В архитектуре задействованы Reasoner на основе Qwen2.5-Omni-3B, языковые компоненты на основе Llama 3 и кодек Mimi с частотой дискретизации 24 кГц. В метаданных Hugging Face задача указана как any-to-any, а библиотека загрузки — Transformers. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

Chroma подходит для голосовых агентов и интерактивных приложений, которым нужны понимание входящей речи и генерация голосовых ответов с заданным стилем. Карточка заявляет готовность к production, но не приводит оценки качества, задержки или подробные ограничения клонирования голоса.

Сценарии применения

  • создание голосового агента для диалога на английском языке
  • ответ голосом на входящее аудиосообщение
  • одновременная генерация текста и речи в разговорном интерфейсе
  • синтез речи с голосовым стилем, заданным референсным аудио

Ограничения

Карточка не приводит количественных оценок качества и задержки. Указана поддержка английского языка; возможности для других языков не заявлены.

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

Voice Agents Download Model Technical Report GitHub X (Twitter) LinkedIn

🎬 Demo

Model Description

Chroma 1.0 is an advanced multimodal model developed by FlashLabs. It is designed to understand and generate content across multiple modalities, including text and audio. As a virtual human model, Chroma possesses the ability to process auditory inputs and respond with both text and synthesized speech, enabling natural voice interactions.

  • Model Type: Multimodal Causal Language Model
  • Developed by: FlashLabs
  • Language(s): English
  • License: Apache-2.0
  • Model Architecture:
    • Reasoner: Based on Qwen2.5-Omni-3B
    • Backbone: Based on Llama3 (16 layers, 2048 hidden size)
    • Decoder: Based on Llama3(4 layers, 1024 hidden size)
    • Codec: Mimi (24kHz sampling rate)

Model Architecture

Capabilities

Chroma 1.0 is capable of:

  • Speech Understanding: Processing user audio input directly.
  • Multimodal Generation: Generating coherent text and speech responses simultaneously.
  • Voice Cloning: utilizing reference audio prompts to guide speech generation style.

Usage

Installation

Ensure you have the necessary dependencies installed. You may need the latest versions of transformers and torch.

pip install transformers torch

Loading the Model

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

model_id = "FlashLabs/Chroma-4B" # Or local path

# Load model
model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    trust_remote_code=True, 
    device_map="auto"
)

# Load processor
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

Inference Example

Here is how to perform a simple conversation with audio input and audio output:

import torch
from IPython.display import Audio



# Construct conversation history
system_prompt = (
    "You are Chroma, an advanced virtual human created by the FlashLabs. "
    "You possess the ability to understand auditory inputs and generate both text and speech."
)
conversation = [[
    {
        "role": "system",
        "content": [
            {"type": "text", "text": system_prompt}
        ],
    },
    {
        "role": "user",
        "content": [
            # Input audio file path
            {"type": "audio", "audio": "assets/make_taco.wav"}, 
        ],
    },
]]

# Provide reference audio/text for style or context
prompt_text = ["War and bloodshed throughout the world."]
prompt_audio = ["assets/reference_audio.wav"]

# Process inputs
inputs = processor(
    conversation,
    add_generation_prompt=True, 
    tokenize=False,
    prompt_audio=prompt_audio,
    prompt_text=prompt_text
)

# Move inputs to device
device = model.device
inputs = {k: v.to(device) for k, v in inputs.items()}

# 2. Generate
output = model.generate(
    **inputs, 
    max_new_tokens=100, 
    do_sample=True,
    temperature=0.7,
    top_p=0.9,
    use_cache=True
)

# 3. Decode Audio
# The model outputs raw tokens; we decode the audio part using the codec
audio_values = model.codec_model.decode(output.permute(0, 2, 1)).audio_values

# Save or play audio (e.g., in Jupyter)
Audio(audio_values[0].cpu().detach().numpy(), rate=24_000)

Citation

If you use Chroma in your research, please cite:

@misc{chen2026flashlabschroma10realtime,
      title={FlashLabs Chroma 1.0: A Real-Time End-to-End Spoken Dialogue Model with Personalized Voice Cloning}, 
      author={Tanyu Chen and Tairan Chen and Kai Shen and Zhenghua Bao and Zhihui Zhang and Man Yuan and Yi Shi},
      year={2026},
      eprint={2601.11141},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2601.11141}, 
}

Contact

For questions or issues, please contact: chroma@flashlabs.ai

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
cf4d2f8

0 моделей