/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
1 сен 2026

p21-qwen3-asr-sealion-step-20015-full

Распознавание речиАудио, текст → текст3 профессии

Частная кандидатная модель на базе Qwen3-ASR и Qwen-SEA-LION для преобразования речи из аудио в текст.

9скачиваний за 30 дней0лайковвеса обновлены1 сен 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

Это частный кандидат модели распознавания речи P21 audio graft, созданный на основе компонентов Qwen3-ASR и Qwen-SEA-LION. Репозиторий объединяет обученную аудиобашню Qwen3-ASR и обученный проектор 1024→4096→5120 с полным декодером SEA-LION; декодер был заморожен во время обучения P3. Модель принимает монофоническое аудио с частотой 16 кГц и использует путь генерации текста через встраивания аудио и декодер.

Артефакт отмечен как кандидат без разрешения на продвижение: он подготовлен для сохранения компонентов и происхождения, а не для производственного применения или публичного выпуска. README описывает лишь проверку упаковки на одном речевом образце, а не оценку качества распознавания. Указана лицензия other; условия лицензии следует проверить в репозитории перед использованием.

Сценарии применения

  • транскрибирование речи из монофонического аудио 16 кГц
  • экспериментальная проверка связки аудиокодировщика и SEA-LION-декодера
  • подготовка распознавания речи к последующей оценке качества

Ограничения

Это кандидат без разрешения на продвижение, и README не приводит оценки качества: проверка на одном аудиопримере является только smoke test. Путь без языковой подсказки принимает только language_hint=None; языковая поддержка не установлена.

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

P21 audio graft — cumulative step 20015

This is a self-contained private candidate-only artifact. It is not promotion-authorized. It bundles the trained Qwen3-ASR audio tower and 1024→4096→5120 projector together with a complete Qwen-SEA-LION decoder and the Qwen3-ASR processor/tokenizer metadata.

Status and component ownership

  • Canonical checkpoint: global step 20015 / P3 step 11663 / step_011663_1788219301611403443.
  • Audio Tower: trained, 314,328,704 parameters.
  • Audio projector: trained, 25,166,848 parameters.
  • SEA-LION decoder: frozen during P3 and bundled as its complete canonical shard set.
  • candidate_only=true, promotion_authorized=false, language_hint=null.

Repository storage is preparation and provenance preservation only. It is not model promotion, production approval, public release, or authorization to begin P4 training.

Load

import sys
from pathlib import Path
from huggingface_hub import snapshot_download

root = Path(snapshot_download(
    "LLJYY/p21-qwen3-asr-sealion-step-20015-full", revision="<immutable-commit>"
))
sys.path.insert(0, str(root))
from loader.modeling_p21_audio_graft import P21AudioGraftModel

model = P21AudioGraftModel.from_pretrained(root)
processor = model.load_audio_processor()
tokenizer = model.load_tokenizer()
decoder = model.load_decoder(device_map="auto", dtype="auto")

For local use, replace the repository ID with the release directory. The loader resolves either a local directory or one huggingface_hub.snapshot_download snapshot, instantiates Qwen3ASREncoder from the unified config.json audio_config, and strict-loads both trained safetensor files. The projector is exactly bias-free RMSNorm(eps=1e-5), Linear(1024,4096), squared-ReLU, Linear(4096,5120).

Prompt-embedding generation path

  1. Supply mono 16 kHz audio to model.process_audio(..., 16000, language_hint=None).
  2. Call model.encode_audio(input_features, input_features_mask) for decoder-width audio embeds.
  3. Build the exact task-owned SEA-LION prefix/suffix token IDs and map them through decoder.get_input_embeddings().
  4. Call model.generate_with_audio_embeddings(prefix_embeddings=..., audio_embeddings=..., suffix_embeddings=..., **generation_kwargs).

Prompt segmentation is deliberately caller-owned: the decoder does not natively accept audio and this release does not invent language hints, forced language prefixes, transcripts, or request text. Do not use language values other than None on the no-hint audio path.

Local packaging verification used one real 16 kHz speech sample and the existing prompt-embedding decoder path; this is a smoke test, not a capability evaluation. See provenance.json for exact run/component bindings and MANIFEST.sha256 for portable staged-file hashes.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
bfcd2a9

0 моделей