/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
66,9 ГБ
Лицензия
MIT
Архитектура
ultravox · dense
Базовая модель
ultravox-v0_6-qwen-3-32b
Библиотека
transformers
Опубликована
26 авг 2026

ultravox-v0_6-qwen-3-32b-arabic

Распознавание речиАудио, текст → текст4 профессии

Ultravox на базе Qwen3-32B с аудиокодировщиком, адаптированным для диалектного арабского, превращает аудио в текстовые ответы.

37скачиваний за 30 дней0лайковвеса обновлены26 авг 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

ISTNetworks объединила Ultravox v0.6 с языковой моделью Qwen3-32B и аудиокодировщиком Whisper-large-v3-turbo, адаптированным для диалектного арабского языка. Модель принимает аудио в сообщении пользователя и формирует текстовый ответ; карточка указывает поддержку арабского и английского языков, а архитектура относится к семейству Ultravox.

Модель предназначена для диалоговых сценариев с аудио на диалектном арабском, включая распознавание речи и ответы на её содержание. В состав входят языковая модель, аудиокодировщик, мультимодальный проектор, токенизатор и экстрактор признаков Whisper. Для запуска весов bf16 требуется около 67 ГБ памяти; README приводит варианты с двумя GPU по 80 ГБ или одной такой GPU с квантизацией либо выгрузкой части вычислений на CPU. Лицензия — MIT.

Сценарии применения

  • распознавание диалектной арабской речи
  • ответы на вопросы по аудиозаписям на арабском
  • диалоговое взаимодействие с аудио на арабском
  • обработка аудиозаписей на английском в диалоговом режиме

Ограничения

Для запуска весов bf16 требуется около 67 ГБ памяти; README указывает на необходимость мощных GPU либо квантизации или выгрузки на CPU. Акцент адаптации аудиокодировщика сделан на диалектном арабском, поэтому качество на других языках и типах речи может отличаться.

Для каких профессий подходит4

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

ultravox-v0_6-qwen-3-32b-arabic

fixie-ai/ultravox-v0_6-qwen-3-32b with its Whisper audio tower adapted for dialectal Arabic using oddadmix/whisper-large-v3-turbo-arabic-dialectal-v2.

This repository is self-contained: the Qwen3-32B language model, the merged audio tower, the multimodal projector, the tokenizer and the Whisper feature extractor all ship here, so no other repo is fetched at load time.

How the audio tower was built

ComponentSource
language_model.*Qwen/Qwen3-32B (bf16, 64 layers)
audio_tower.*delta merge described above (Whisper-large-v3-turbo encoder, 32 layers)
multi_modal_projector.*fixie-ai/ultravox-v0_6-qwen-3-32b (finetuned)
tokenizer / chat templatefixie-ai/ultravox-v0_6-qwen-3-32b (Qwen3)
audio_processor/openai/whisper-large-v3-turbo feature extractor

Usage

import librosa, torch, transformers

repo = "ISTNetworks/ultravox-v0_6-qwen-3-32b-arabic"
processor = transformers.AutoProcessor.from_pretrained(repo, trust_remote_code=True)
model = transformers.AutoModel.from_pretrained(
    repo, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map="auto"
)

audio, sr = librosa.load("sample.wav", sr=16000)
turns = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "استمع للصوت وأجب باللغة العربية.\n<|audio|>"},
]
text = processor.tokenizer.apply_chat_template(
    turns, add_generation_prompt=True, tokenize=False, enable_thinking=False
)
inputs = processor(text=text, audio=audio, sampling_rate=sr, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=128)
print(processor.tokenizer.decode(out[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Audio is inserted with the <|audio|> placeholder in the user turn. Inference needs ~67 GB of bf16 weights (2×80 GB GPUs, or one 80 GB GPU with quantization / CPU offload).

Notes and caveats

  • The fine-tune: training was performed on the LLM

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
UltravoxModel
Ревизия весов
7d19cc0

0 моделей