/ Модель

Характеристики

Контекст
1 010 000 токенов
Размер весов
18,9 ГБ
Лицензия
Apache 2.0
Архитектура
funaudiochat · dense
Библиотека
transformers
Опубликована
23 дек 2025

Fun-Audio-Chat-8B

Мультимодальная модель3 профессии

Аудиоязыковая модель примерно на 8 млрд параметров для голосовых вопросов и ответов, понимания речи и речевого вызова функций на английском и китайском языках.

359скачиваний за 30 дней190лайковвеса обновлены24 дек 2025

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

Fun-Audio-Chat-8B — большая аудиоязыковая модель семейства FunAudioChat, предназначенная для естественных голосовых взаимодействий с низкой задержкой. В карточке Hugging Face указаны архитектура FunAudioChatForConditionalGeneration, около 8 млрд параметров и формат safetensors; модель работает с английским и китайским языками.

Модель поддерживает ответы на вопросы по аудио, понимание речи, выполнение речевых инструкций и вызов функций голосом, а также взаимодействия с эмпатичной речью. В ней используются представления речи с двумя разрешениями: общий тракт с частотой 5 Гц и уточняющая часть на 25 Гц. Авторы заявляют о снижении вычислительных затрат при сохранении качества речи и сильных результатах в аудиобенчмарках.

Для инференса в README указано около 24 ГБ видеопамяти; обучение требует четырёх GPU по 80 ГБ. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы, заданные голосом
  • понимание содержания аудиозаписей
  • выполнение голосовых инструкций
  • вызов функций в голосовом ассистенте
  • эмпатичные голосовые взаимодействия

Ограничения

Для инференса требуется около 24 ГБ видеопамяти; обучение требует четырёх GPU с 80 ГБ памяти каждый. Заявления о высоких результатах приведены авторами README и относятся к указанным бенчмаркам.

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

Fun-Audio-Chat-8B

Fun-Audio-Chat is a Large Audio Language Model built for natural, low-latency voice interactions.

arXiv GitHub Demo

Model Description

Fun-Audio-Chat is a Large Audio Language Model built for natural, low-latency voice interactions. It introduces Dual-Resolution Speech Representations (an efficient 5Hz shared backbone + a 25Hz refined head) to cut compute while keeping high speech quality, and Core-Cocktail training to preserve strong text LLM capabilities. It delivers top-tier results on spoken QA, audio understanding, speech function calling, speech instruction-following and voice empathy benchmarks.

Key Features

  • Dual-Resolution Speech Representations: Efficient 5Hz frame rate (vs. 12.5Hz or 25Hz for other models), reducing GPU hours by nearly 50% while maintaining high speech quality
  • State-of-the-Art Performance: Ranks Top among models of the same size (around-8B parameters) on OpenAudioBench, VoiceBench, UltraEval-Audio, MMAU, MMAU-Pro, MMSU, Speech-ACEBench, Speech-BFCL, Speech-SmartInteract, VStyle
  • Comprehensive Capabilities: Supports spoken QA, audio understanding, speech function calling, speech instruction-following, voice empathy

Model Details

AttributeValue
Model Size~8B parameters
ArchitectureDual-Resolution Speech Representations
LanguagesEnglish, Chinese
LicenseApache 2.0

Requirements

  • Python == 3.12
  • PyTorch == 2.8.0
  • ffmpeg
  • GPU Memory: ~24GB for inference, 4×80GB for training

Installation

git clone --recurse-submodules https://github.com/FunAudioLLM/Fun-Audio-Chat
cd Fun-Audio-Chat

apt install ffmpeg
conda create -n FunAudioChat python=3.12 -y
conda activate FunAudioChat
pip install torch==2.8.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu128
pip install -r requirements.txt

Quick Start

Download Models

Using HuggingFace:

pip install huggingface-hub
hf download FunAudioLLM/Fun-Audio-Chat-8B --local-dir ./pretrained_models/Fun-Audio-Chat-8B
hf download FunAudioLLM/Fun-CosyVoice3-0.5B-2512 --local-dir ./pretrained_models/Fun-CosyVoice3-0.5B-2512

Or using ModelScope:

modelscope download --model FunAudioLLM/Fun-Audio-Chat-8B --local_dir pretrained_models/Fun-Audio-Chat-8B
modelscope download --model FunAudioLLM/Fun-CosyVoice3-0.5B-2512 --local_dir pretrained_models/Fun-CosyVoice3-0.5B-2512

Inference

export PYTHONPATH=`pwd`
# Speech-to-Text
python examples/infer_s2t.py
# Speech-to-Speech
python examples/infer_s2s.py

Evaluation

BenchmarkCategory
OpenAudioBenchSpoken QA
VoiceBenchSpoken QA
UltraEval-AudioSpeech-to-Speech
MMAU, MMAU-Pro, MMSUAudio Understanding
Speech-ACEBench, Speech-BFCL, Speech-SmartInteractSpeech Function Calling
VStyleSpeech Instruction-Following

For detailed evaluation instructions, please refer to the GitHub repository.

Citation

If you find this model useful, please cite our paper:

@article{funaudiochat2025,
  title={Fun-Audio-Chat Technical Report},
  author={Qian Chen and Luyao Cheng and Chong Deng and Xiangang Li and Jiaqing Liu and Chao-Hong Tan and Wen Wang and Junhao Xu and Jieping Ye and Qinglin Zhang and Qiquan Zhang and Jingren Zhou},
  year={2025},
  eprint={2512.20156},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2512.20156},
}


@misc{tan2025drvoiceparallelspeechtextvoice,
  title={DrVoice: Parallel Speech-Text Voice Conversation Model via Dual-Resolution Speech Representations}, 
  author={Chao-Hong Tan and Qian Chen and Wen Wang and Chong Deng and Qinglin Zhang and Luyao Cheng and Hai Yu and Xin Zhang and Xiang Lv and Tianyu Zhao and Chong Zhang and Yukun Ma and Yafeng Chen and Hui Wang and Jiaqing Liu and Xiangang Li and Jieping Ye},
  year={2025},
  eprint={2506.09349},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2506.09349}, 
}

License

This model is licensed under the Apache 2.0 License.

Acknowledgments

This project is based on the following excellent open-source projects:

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Класс архитектуры
FunAudioChatForConditionalGeneration
Ревизия весов
7bf72dc

0 моделей