/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
11,3 ГБ
Лицензия
MIT
Архитектура
vibevoice · dense
Библиотека
ggml
Опубликована
20 сен 2026

VibeVoice-ASR-BitNet

Распознавание речиАудио → текст

Сжатая квантизованная версия VibeVoice-ASR для распознавания речи в реальном времени на CPU.

147скачиваний за 30 дней0лайковвеса обновлены20 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

VibeVoice-ASR-BitNet — производная версия VibeVoice-ASR, представленная в виде сжатых весов для распознавания речи на процессорах без GPU. Репозиторий содержит компоненты VAE-токенизатора и LM-декодера в формате GGUF, а также исходные веса SafeTensors для конвертации. По данным карточки, гетерогенная квантизация уменьшает размер модели с 4,62 до 1,58 ГБ; для декодера указаны I2_S и Q6_K, для токенизатора — I8_S.

Модель предназначена для распознавания речи в реальном времени на граничных устройствах и поддерживает английский, китайский, французский, итальянский, корейский, португальский и вьетнамский языки. Разработчик сообщает об ускорении в 1,55–2,28 раза относительно Whisper.cpp в зависимости от числа потоков; приведённые значения RTF составляют 0,42–1,98. Лицензия — MIT. Карточка не сообщает длину аудиофрагментов или подробности оценки точности распознавания.

Сценарии применения

  • распознавание речи на устройствах без GPU
  • транскрибация аудио в реальном времени
  • распознавание английской речи
  • транскрибация китайской, французской и других поддерживаемых языков
  • запуск ASR на граничных устройствах с ограниченной памятью

Ограничения

Карточка приводит показатели скорости, но не содержит подробной оценки качества распознавания; производительность зависит от числа потоков и устройства. Указанные языки ограничены английским, китайским, французским, итальянским, корейским, португальским и вьетнамским.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VibeVoice-ASR-BitNet

GitHub Technical Report License: MIT

VibeVoice-ASR-BitNet is a compressed variant of VibeVoice-ASR optimized for real-time inference on edge CPUs — no GPU required. Through heterogeneous quantization, the model is compressed from 4.62 GB to 1.58 GB while achieving 1.6–2.3× faster inference than Whisper.cpp with real-time capability (RTF < 1) on as few as 3 CPU threads.

➡️ Code: microsoft/VibeASR.cpp ➡️ Report: VibeVoice-ASR-BitNet Technical Report ➡️ Base Model: microsoft/VibeVoice-ASR


🔥 Key Features

  • ⚡ Real-time on CPU — RTF < 1 with 3+ threads on commodity x86 (AVX2) and ARM (NEON) hardware
  • 📦 Compact — 1.58 GB total (2.9× compression from FP16), fits in edge device memory
  • 🌍 Multilingual — English, Chinese, French, Italian, Korean, Portuguese, Vietnamese, and more
  • 🔧 Custom SIMD Kernels — Fused operators within the ggml framework for both ARM and x86 platforms

Quantization Strategy

ComponentFP16QuantizedMethodCompression
VAE Tokenizer1.31 GB0.65 GBI8_S2.0×
LM Decoder3.32 GB0.92 GBI2_S + Q6_K3.6×
Total4.62 GB1.58 GB—2.9×

Evaluation

Inference Speed

Threads123468
RTF1.981.080.770.630.490.42
vs. Whisper.cpp2.28×2.12×1.86×1.86×1.71×1.55×

Benchmarked on AMD EPYC 7V13 (AVX2+FMA) with 20s audio. Bold = RTF < 1 (real-time).

Accuracy (WER%)

BenchmarkVibeVoice-ASR-7BVibeVoice-ASR-BitNetParakeetWhisperSenseVoiceFunASR
MLC-EN7.828.258.4013.5712.3911.36
MLC-FR16.0317.41————
MLC-IT15.6717.23————
MLC-KO9.8311.15————
MLC-PT22.4124.87————
MLC-VI20.1522.38————
AISHELL419.8327.45——22.5220.41
AMI-ihm17.4221.3621.9227.0730.8132.07
AMI-sdm24.1825.8726.3336.9248.1140.17
AliMeeting36.2140.58——38.7539.27
Fleurs-en4.735.214.093.996.844.93
Fleurs-zh7.928.35——5.567.00
Libri-clean2.172.411.491.982.781.58
Libri-other5.846.273.133.606.814.01
VoxPopuli4.925.185.267.198.636.46

Model Files

FileSizeDescription
vibeasr-vae-encoder-i8_s.gguf0.65 GBVAE tokenizer, I8_S quantized (ready to use)
vibeasr-lm-i2_s-embed-q6_k.gguf0.92 GBLM decoder, I2_S quantized (ready to use)
model-*.safetensors10.7 GBOriginal SafeTensors (for conversion)

License

This project is licensed under the MIT License.

Contact

This project was conducted by members of Microsoft Research. If you have suggestions, questions, or observe unexpected behavior, please contact us at VibeVoice@microsoft.com.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Можно запустить

Подбираем GPU…

Класс архитектуры
VibeVoiceForASRTraining
Ревизия весов
6184aee

0 моделей