/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
audio_omni · dense
Опубликована
27 мар 2026

Audio-Omni

Мультимодальная модель5 профессий

Audio-Omni — мультимодальная система для анализа, генерации и редактирования речи, музыки и звуков по тексту, аудио и видео.

62скачиваний за 30 дней49лайковвеса обновлены17 июн 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

Audio-Omni — мультимодальная система для понимания, генерации и редактирования аудио, представленная как работа для SIGGRAPH 2026. Она объединяет замороженную мультимодальную языковую модель Qwen2.5-Omni для высокоуровневого анализа с обучаемым Diffusion Transformer для синтеза звука. В репозитории указаны веса PyTorch размером около 21 ГБ и отдельный чекпойнт Synchformer для видеоконтекста.

Система предназначена для описания аудио и видео и ответов на вопросы о них, генерации звуков, музыки и речи по тексту или видео, преобразования голоса, а также редактирования аудио: добавления, удаления и извлечения звуков и переноса стиля. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • создание звуковых эффектов по текстовому описанию
  • генерация музыки по тексту или видео
  • синтез речи и преобразование голоса
  • создание звукового сопровождения для видео
  • описание аудио и видео
  • ответы на вопросы о содержании аудио
  • добавление, удаление и извлечение звуков при редактировании аудио

Ограничения

Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Для работы требуются крупные веса модели и отдельный чекпойнт Synchformer для видеоконтекста.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🎛️ Audio-Omni

Unified Audio Understanding, Generation, and Editing (SIGGRAPH 2026)

GitHub Project Page arXiv

📖 Overview

Audio-Omni is the first end-to-end framework that unifies understanding, generation, and editing across general sound, music, and speech domains. It combines a frozen Multimodal Large Language Model (Qwen2.5-Omni) for high-level reasoning with a trainable Diffusion Transformer for high-fidelity synthesis.

🎯 Capabilities

  • Understanding: Audio/video captioning, question answering
  • Generation: Text-to-Audio, Text-to-Music, Video-to-Audio, Video-to-Music, Text-to-Speech, Voice Conversion
  • Editing: Add, Remove, Extract, Style Transfer

🚀 Quick Start

Installation

# Clone the GitHub repository
git clone https://github.com/ZeyueT/Audio-Omni.git
cd Audio-Omni

# Install dependencies
pip install -e .
conda install -c conda-forge ffmpeg libsndfile

# Download model from Hugging Face
huggingface-cli download HKUSTAudio/Audio-Omni --local-dir model/

Sample Usage

from audio_omni import AudioOmni
import torchaudio

# Load model
model = AudioOmni("model/Audio-Omni.json", "model/model.ckpt")

# 1. Understanding
response = model.understand(
    "Describe the sounds in this audio.", 
    audio="example.wav"
)
print(response)

# 2. Generation (Text-to-Audio)
audio = model.generate("T2A", prompt="A clock ticking.")
torchaudio.save("output.wav", audio, model.sample_rate)

# 3. Editing (Add a sound)
audio = model.edit("Add", "input.wav", desc="skateboarding")
torchaudio.save("output_add.wav", audio, model.sample_rate)

📦 Model Files

  • Audio-Omni.json — Model configuration
  • model.ckpt — Model checkpoint (~21 GB)
  • synchformer_state_dict.pth — Synchformer checkpoint for video conditioning

🖥️ Gradio Demo

# Launch interactive demo
python run_gradio.py \
    --model-config model/Audio-Omni.json \
    --ckpt-path model/model.ckpt \
    --server-port 7777

📝 Citation

@article{tian2026audio,
  title={Audio-Omni: Extending Multi-modal Understanding to Versatile Audio Generation and Editing},
  author={Tian, Zeyue and Yang, Binxin and Liu, Zhaoyang and Zhang, Jiexuan and Yuan, Ruibin and Yin, Hubery and Chen, Qifeng and Li, Chen and Lyu, Jing and Xue, Wei and others},
  journal={arXiv preprint arXiv:2604.10708},
  year={2026}
}

📄 License

CC-BY-NC-4.0 (Non-commercial use only). Commercial use of the model weights requires explicit written authorization from the authors. For commercial licensing inquiries, contact: ztianad@connect.ust.hk

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
c3d6349

0 моделей