/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
dubbing_bridge · dense
Базовая модель
Index-Echo-S2ST-2B
Библиотека
transformers
Опубликована
3 окт 2026

Index-Echo-S2ST-2B-FP4

ПереводТекст → текст

Квантизованная NVFP4-модель Index-Echo для перевода китайской, японской и английской речи с генерацией дубляжа на выбранном языке.

169скачиваний за 30 дней1лайквеса обновлены15 окт 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

Index-Echo-S2ST-2B-FP4 — официальная квантизованная версия модели Index-Echo для перевода речи и создания дубляжа, выпущенная bilibili. В основе лежит IndexTeam/Index-Echo-S2ST-2B; модель поддерживает перевод речи с китайского, японского и английского на английский, испанский, японский, корейский и китайский. Метаданные указывают задачу translation, архитектуру dubbing_bridge и библиотеку Transformers.

Квантизация NVFP4 (W4A4) применяется к большинству линейных слоёв языковой LLM-основы; аудиобашня, коннектор, синтез речи, эмбеддинги и некоторые другие компоненты сохранены в BF16. В проверке авторов перевод с китайского на английский совпал с BF16-версией при жадном декодировании; для английского на китайский результат был семантически эквивалентен, но не идентичен. На фиксированном корпусе perplexity выросла на 9,78%, что указывает на возможное снижение точности. Лицензия — Apache-2.0.

Сценарии применения

  • перевод речи с китайского на английский с дубляжом
  • перевод японской речи на китайский или английский
  • перевод английской речи на японский, корейский, китайский или испанский
  • создание многоязычной озвученной версии речевого контента

Ограничения

Квантизация увеличила perplexity на 9,78% относительно BF16 на проверенном корпусе; результаты сверялись только на двух направлениях перевода, и для английского на китайский генерация отличалась, хотя была семантически эквивалентной. Указанные направления не охватывают все возможные пары языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Index-Echo-S2ST-2B-FP4-v41

Official NVFP4 (W4A4) quantization of IndexTeam/Index-Echo-S2ST-2B (v4.1), part of the Index-Echo speech-to-speech translation (S2ST) model family by bilibili.

The v4.1 package updates the multilingual translator and extends the release to twelve directions: Chinese, Japanese, or English speech input, dubbed into English, Spanish, Japanese, Korean, or Chinese.

This repository mirrors the original checkpoint layout; only the text LLM backbone (stlm_llm/) is quantized to NVFP4 - the audio tower, connector, and all speech-synthesis components remain in BF16. Use it exactly like the original repo (same modeling_dubbing.py / configs).

Quantization

  • Scheme: NVFP4 (W4A4: 4-bit floating-point weights with per-group-16 scales, 4-bit floating-point activations with calibrated per-tensor global scales), produced with llm-compressor (quantization_scheme recorded in recipe.yaml). Calibrated on a small bilingual translation corpus.
  • All Linear layers of the language model backbone (stlm_llm/) are quantized except the hybrid linear-attention projections; the audio tower, connector, lm_head, embeddings and all other pipeline components are kept in BF16.
  • Format: compressed-tensors nvfp4-pack-quantized safetensors - load directly with vLLM (quantization="compressed-tensors") or transformers.

Consistency validation

Measured against the original BF16 checkpoint (greedy decoding, CPU reference execution with weight-dequantized linear layers):

MetricBF16FP4Delta
Perplexity (fixed corpus)10.167111.1610+9.78%
zh->en generation identical--yes
en->zh generation identical--no (semantically equivalent)

Usage

Identical to the original checkpoint - clone this repo and follow the README / modeling_dubbing.py of the base model (IndexTeam/Index-Echo-S2ST-2B). The quantized LLM backbone loads via compressed-tensors; make sure compressed-tensors (or vLLM / a recent transformers) is installed.

Hardware note: full NVFP4 (W4A4) acceleration requires an NVIDIA Blackwell GPU (SM100+, e.g. B200 / RTX 50 series). On older GPUs vLLM falls back to weight-only dequantization, which still reduces memory but gives no FP4 speedup.

Quantized and published by the Index team, 2026-10-13.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Архитектура dubbing_bridge неизвестна transformers в образе рантайма.

Ревизия весов
e47b534

0 моделей