/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
step_audio_2 · dense
Опубликована
26 сен 2026

DuraS2ST-Think-RL

Генерация текстаТекст → текст3 профессии

DuraS2ST-Think-RL переводит английскую речь на китайскую и китайскую речь на английскую с генерацией целевой речи, согласованной по длительности.

34скачиваний за 30 дней0лайковвеса обновлены26 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

DuraS2ST-Think-RL — модель для перевода речи между английским и китайским языками с генерацией речи на целевом языке. Она разработана в рамках проекта DuraS2ST, описанного в статье, принятой на основную конференцию EMNLP 2026. Модель использует архитектуру StepAudio 2 и причинную языковую модель; репозиторий содержит веса для вывода, токенизатор и речевой декодер, а для запуска предусмотрена поддержка vLLM.

Подход DuraS2ST планирует формулировку перевода и его фонетическую длительность перед генерацией речи. Обучение оптимизировано с помощью мультимодального обучения с подкреплением, учитывающего длительность, чтобы согласовывать перевод и длительность целевой речи. Модель предназначена для перевода английской речи на китайский и китайской речи на английский.

Для инференса авторы указывают Linux x86_64, FFmpeg и NVIDIA GPU с драйвером, совместимым с CUDA 12.8; проверка проводилась на A100 80 GB. Лицензия репозитория — Apache-2.0. В README не приведены оценки качества или длина контекста; указанные требования к оборудованию ограничивают удобство локального запуска.

Сценарии применения

  • перевод английской речи на китайский с озвучиванием
  • перевод китайской речи на английский с озвучиванием
  • создание синхронного речевого перевода для мультимедийного контента

Ограничения

Для локального инференса требуются Linux x86_64, FFmpeg и NVIDIA GPU с драйвером CUDA 12.8; авторы проверяли запуск на A100 80 GB. В README не приведены количественные оценки качества.

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

News

  • [2026-08-21] 🎉 DuraS2ST is accepted to the EMNLP 2026 Main Conference (15.4% acceptance rate for Main Conference papers).

Introduction

DuraS2ST is a reasoning-based framework for duration-aligned speech-to-speech translation. It explicitly plans the target wording and phonetic length before speech generation, and is optimized with duration-aware multimodal reinforcement learning.

DuraS2ST-Think-RL supports English↔Chinese speech translation with vLLM. This model repository contains the complete inference weights, tokenizer, and speech decoder. The inference code is available on GitHub.

Overview

Installation

Requires Linux (x86_64), FFmpeg, and an NVIDIA GPU with a CUDA 12.8-compatible driver (tested on an A100 80 GB). Install uv, then run:

git clone https://github.com/Mia11939/DuraS2ST.git
cd DuraS2ST
uv sync --frozen

The locked environment includes the StepAudio2 vLLM backend and speech decoder, sharing the same PyTorch installation. CUDA kernels are downloaded prebuilt.

Inference

Run with DuraS2ST-Think-RL. The model and its speech decoder are downloaded automatically on first use:

uv run --frozen inference.py \
  --model Mia11939/DuraS2ST-Think-RL \
  --input-audio /path/to/source.wav \
  --target-language zh \
  --output-audio outputs/translation.wav

Use zh for English-to-Chinese and en for Chinese-to-English. The script prints the translation and saves the generated speech. Add --show-reasoning to print the duration-planning rationale.

To use a local download, replace the model ID with its directory path and keep the token2wav/ subdirectory intact. No separate adapter is required. The input recording also supplies the speaker prompt.

Acknowledgements

This project is built on Step-Audio 2. We thank the authors for releasing their models and inference code.

License

The model weights are released under the Apache License 2.0. Third-party attribution is retained in NOTICE.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
StepAudio2ForCausalLM
Ревизия весов
4a6d4e1

0 моделей