/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
25,5 ГБ
Лицензия
GPL 3.0
Архитектура
stream_omni_llama · dense
Опубликована
16 июн 2025

stream-omni-8b

Генерация текстаТекст → текст3 профессии

Stream-Omni — мультимодальная чат-модель для диалогов с текстом, изображениями и речью, способная одновременно показывать промежуточный текст и выдавать голосовые ответы.

41скачиваний за 30 дней50лайковвеса обновлены17 июн 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

Stream-Omni — разработанная Shaolei Zhang, Shoutao Guo, Qingkai Fang, Yan Zhou и Yang Feng сквозная мультимодальная чат-модель семейства StreamOmniLlama с 7,5 млрд параметров. Она принимает текст, изображения и речь, а в ответ генерирует текст и речь; при голосовом взаимодействии также может выдавать промежуточную транскрипцию и текст ответа, пока продолжается обмен аудио. Заявлена поддержка сочетаний мультимодальных входов и сквозное обучение на небольшом объёме мультимодальных данных.

Модель предназначена для голосовых ассистентов и диалоговых сценариев, где нужно объединить речь, текст и зрительную информацию, например для общения по изображению с голосовым ответом. В метаданных указаны контекст до 131 072 токенов, формат safetensors и лицензия GPL-3.0. Карточка описывает возможности модели, но не приводит количественных оценок качества или подробных ограничений по отдельным входным форматам и языкам.

Сценарии применения

  • голосовые диалоги с отображением транскрипции в реальном времени
  • ответы на вопросы по изображению голосом
  • мультимодальный чат с текстовыми и речевыми входами
  • создание голосового ассистента с текстовым сопровождением ответов

Ограничения

В карточке нет результатов количественной оценки качества и не перечислены поддерживаемые языки. Подробности о допустимых форматах аудио и изображений также не приведены.

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

Stream-Omni: Simultaneous Multimodal Interactions with Large Language-Vision-Speech Model

arXiv arXiv model data Badge

Shaolei Zhang, Shoutao Guo, Qingkai Fang, Yan Zhou, Yang Feng*

The introduction and usage of Stream-Omni refer to https://github.com/ictnlp/Stream-Omni.

Stream-Omni is an end-to-end language-vision-speech chatbot that simultaneously supports interaction across various modality combinations, with the following features💡:

  • Omni Interaction: Support any multimodal inputs including text, vision, and speech, and generate both text and speech responses.
  • Seamless "see-while-hear" Experience: Simultaneously output intermediate textual results (e.g., ASR transcriptions and model responses) during speech interactions, like the advanced voice service of GPT-4o.
  • Efficient Training: Require only a small amount of omni-modal data for training.

🖥 Demo

Microphone InputFile Input

[!NOTE]

Stream-Omni can produce intermediate textual results (ASR transcription and text response) during speech interaction, offering users a seamless "see-while-hear" experience.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура stream_omni_llama неизвестна transformers в образе рантайма.

Класс архитектуры
StreamOmniLlamaForCausalLM
Ревизия весов
cf6a785

0 моделей