/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
16,5 ГБ
Лицензия
Своя лицензия
Архитектура
audioflamingo3 · dense
Базовая модель
audio-flamingo-3
Библиотека
transformers
Опубликована
22 авг 2026

tempo-ablation-projector

Распознавание речиАудио, текст → текст6 профессий

Экспериментальный чекпойнт TEMPO на базе Audio Flamingo 3 для распознавания и анализа аудио с временной привязкой.

21скачиваний за 30 дней0лайковвеса обновлены23 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

Kaousheik/tempo-ablation-projector — экспериментальный чекпойнт проекта TEMPO, построенный на базе аудиоязыковой модели NVIDIA Audio Flamingo 3. Это вариант абляции с временным мультимодальным проектором; в README для него указаны результаты Table 3, а файл time_proj.pt необходим для загрузки. Базовая архитектура Audio Flamingo 3 объединяет замороженный аудиоэнкодер Whisper-large примерно на 0,6 млрд параметров и Qwen2-7B через двухслойный MLP-проектор. Модель принимает аудио и по запросу формирует текст с временными метками для речи, звуков и музыки.

Модель предназначена для распознавания речи с временной привязкой, определения говорящих и границ их реплик, поиска аудиофрагментов по текстовому запросу, сегментации записи с описанием событий и анализа музыкальных фрагментов. Проект TEMPO использует специальные токены временных меток с разрешением 0,1 секунды и временные кодировки в проекторе. Карточка описывает английский язык; метаданные указывают задачу audio-text-to-text и датасет Kaousheik/tempo.

Это исследовательская абляция, а не лучший вариант TEMPO: README сообщает метрики конкретного чекпойнта и отмечает, что распознавание речи при нескольких говорящих остаётся трудным, а результаты анализа аккордов приблизительны. Метки говорящих согласованы внутри записи, но произвольны между записями; временные метки ограничены 60 секундами, поэтому длинные аудио нужно делить на фрагменты. Лицензия в метаданных обозначена как other; конкретные условия использования здесь не приведены.

Сценарии применения

  • транскрибирование речи с временными метками
  • определение говорящих и времени их реплик в записи встречи
  • поиск временного отрезка аудио по текстовому запросу
  • сегментация записи и описание звуковых событий
  • анализ музыкальных фрагментов и временных границ аккордов

Ограничения

Временные метки ограничены 60 секундами, поэтому длинные записи нужно разбивать на фрагменты; диаризация и распознавание речи при нескольких говорящих остаются сложными, а анализ аккордов приблизителен. Метки говорящих произвольны между записями; конкретные условия лицензии в карточке не раскрыты.

Для каких профессий подходит6

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

TEMPO — Table 3 — + Projector

Paper · All artifacts · Dataset

Description

Appendix C ablation: time-aware multi-modal projector only, standard cross-entropy.

TEMPO is the first unified large audio-language model for timestamping across speech, sound and music. A single decoder handles all five tasks, emitting text interleaved with timestamp tokens and distinguished only by a task tag in the prompt. Three components make it work: atomic timestamp tokens (~601 dedicated tokens at 0.1 s resolution, so a timestamp is one categorical decision rather than several BPE fragments), a time-aware multi-modal projector injecting sinusoidal wall-clock encodings into frame embeddings, and a distance-aware Gaussian loss that gives partial credit to near misses instead of penalising every wrong timestamp equally.

Best for

  • Assigning who spoke what, and when in meetings and conversational audio
  • Localising a natural-language query to a time interval in an audio stream
  • Dense captioning — segmenting a recording and describing each event with boundaries
  • Timestamped music analysis — chord spans, tempo changes, instrument entries/exits

This checkpoint

Table 3 — + Projector — reported results:

DER 104.2 / mIoU 22.2 · dense-cap eF1 34.2 · grounding F1 34.0

This variant uses the time-aware projector, so time_proj.pt is included and must be loaded.

TEMPO variants

checkpointpaper rownotes
tempo-rl-multitaskTable 2 — SFT + Multi-task RLBest overall. GRPO over all five tasks jointly.
tempo-sft-stage1-2Table 2 — SFT (Ours) Stage 1+2Full SFT recipe, no RL.
tempo-sft-stage1Table 2 — SFT (Ours) Stage 1Synthetic calibration only.
tempo-sft-stage2-realonlyTable 2 — SFT (Ours) Stage 2Real data only, no curriculum.
tempo-rl-singletask-musicTable 2 — SFT + Single-task RLGRPO on music captioning alone.
tempo-ablation-bothTable 3 — + Both (Ours)Gaussian loss + time-aware projector.
tempo-ablation-lossTable 3 — + LossGaussian timestamp loss only.
tempo-ablation-projector ← this modelTable 3 — + ProjectorTime-aware projector only.
tempo-ablation-naiveTable 3 — NaiveNeither component.

Plus the training and evaluation data: Kaousheik/tempo — five task configs with splits synthetic_stage1 / sft_stage2 / rl / val / evaluation.

Usage

import torch
from transformers import AutoProcessor, AutoModelForCausalLM

repo = "Kaousheik/tempo-ablation-projector"
processor = AutoProcessor.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype=torch.bfloat16, device_map="auto")

# REQUIRED: the time-aware projector lives outside the transformer checkpoint.
# Skipping this silently falls back to the stock AF3 projector and degrades timestamps.
from huggingface_hub import hf_hub_download
sd = torch.load(hf_hub_download(repo, "time_proj.pt"), map_location="cpu")
model.load_time_projector(sd)   # adapt to your loading code

Prompt with the task tag for the behaviour you want:

taskprompt taganswer shape
multi-speaker ASR[speech:asr]<|t0|> transcript <|t1|> per utterance
speaker diarization[speech:diar]<|t0|> Speaker N <|t1|> per turn
audio temporal grounding[audio:ground]<|t0|> to <|t1|> per interval
dense audio captioning[audio:caption]<|t0|> caption <|t1|> per event
timestamped music captioning[audio:music][instrument] / [tempo] / [chord] / [stats] spans

Timestamps are emitted as atomic tokens <|0.0|> … <|60.0|> at 0.1 s resolution.

Evaluation

Held-out benchmark of 10,521 question–answer pairs over six corpora. WER and DER are percentages (lower is better); mIoU is the symmetric harmonic mean of recall- and precision-side mean-best-IoU, so over-prediction cannot inflate it.

modelWER ↓ASR mIoU ↑DER ↓diar mIoU ↑dense eF1 ↑ground F1 ↑
Audio Flamingo 3209.719.4103.22.93.83.3
Audio Flamingo Next115.411.5106.912.411.63.6
Qwen3-Omni69.731.644.244.457.947.4
TimeAudio––––43.640.1
TEMPO SFT Stage 1+244.763.825.470.558.546.2
TEMPO SFT + Multi-task RL43.565.825.471.159.346.5

Training summary

Built on Audio Flamingo 3 — frozen Whisper-large audio encoder (~0.6B) + Qwen2-7B, joined by a two-layer MLP projector. Three stages:

stagedatarecipe
Stage 1 SFT51,512 synthetic2 epochs, lr 1e-4, LoRA r=128 α=256
Stage 2 SFT32,726 real2 epochs, lr 5e-5, from the merged Stage 1 checkpoint
GRPO~35K1,000 steps, lr 1e-5, LoRA r=256 α=512, 8 completions/prompt, KL β=0.01

Rewards for GRPO are the evaluation metrics themselves, bounded in [0, 1] and gated by a format check, so maximising reward and improving evaluation performance are aligned. Trained on NVIDIA A6000s; the audio encoder stays frozen throughout.

Limitations

  • English only; timestamps are capped at 60 s by the token vocabulary, so longer audio must be chunked.
  • Multi-speaker ASR remains hard in absolute terms (WER 43.5%) — useful for alignment, not a drop-in replacement for a dedicated ASR system.
  • Chord F1 is low in absolute terms; music captioning is best treated as approximate.
  • Speaker labels are consistent within a clip but arbitrary across clips.
  • CHiME-6 is excluded from the released dataset (its licence forbids redistribution), so the public data is smaller than what the paper trained on.

Licence

Derived from Audio Flamingo 3, released by NVIDIA under a research-only licence, which governs this checkpoint. Non-commercial academic research only. Training corpora carry their own terms: CC BY 4.0 for AMI, ICSI, AudioSet Strong, TACOS, Slakh2100 and LibriSpeech; CC BY-NC 3.0 for ESC-50.

Citation

@inproceedings{tempo,
  title     = {TEMPO: Temporally-grounded Multi-task Post-training for Large Audio-Language Models},
  author    = {TODO},
  booktitle = {TODO},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры audioflamingo3 нет загрузчика под задачу speech-to-text.

Класс архитектуры
AudioFlamingo3ForConditionalGeneration
Ревизия весов
0c61791

0 моделей