/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
11 дек 2024

OmniAudio-2.6B

Распознавание речиАудио, текст → текст7 профессий

Локальная аудиоязыковая модель NexaAI на 2,6 млрд параметров для диалога и выполнения текстовых задач по голосовому вводу.

388скачиваний за 30 дней289лайковвеса обновлены13 дек 2024

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

OmniAudio-2.6B — мультимодальная аудиоязыковая модель компании NexaAI на 2,6 млрд параметров для локального запуска на устройствах. Она объединяет Gemma-2-2b, Whisper turbo и проектор, чтобы обрабатывать аудио и текст в одной модели, без отдельной последовательной связки распознавания речи и языковой модели. В карточке Hugging Face указаны варианты GGUF, включая Q4_0, Q4_K_M и Q8_0; лицензия — Apache-2.0.

Модель предназначена для голосовых вопросов и ответов, диалога по аудиовводу, создания текстов по голосовым запросам, суммаризации записей и преобразования заметок в более профессиональный стиль. В обучении использовались данные английской речи MLS English 10k, а также этапы supervised fine-tuning и DPO. Заявленная разработчиком цель — быстрый офлайн-инференс на потребительских и периферийных устройствах.

Описание не заявляет генерацию аудио или поддержку function calling: эти возможности указаны как планы развития. Языковая поддержка подтверждена для английского; результаты могут зависеть от устройства и выбранной квантизации.

Сценарии применения

  • ответы на вопросы, заданные голосом без подключения к интернету
  • диалог по аудиозаписи или устному сообщению
  • суммаризация записей встреч и заметок
  • создание стихов и других текстов по голосовому запросу
  • переформулирование голосовых заметок в профессиональном стиле

Ограничения

Подтверждена работа с английским аудио и текстом; другие языки в карточке не заявлены. Генерация аудио и function calling обозначены разработчиком как будущие возможности.

Для каких профессий подходит7

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

OmniAudio-2.6B

OmniAudio is the world's fastest and most efficient audio-language model for on-device deployment - a 2.6B-parameter multimodal model that processes both text and audio inputs. It integrates three components: Gemma-2-2b, Whisper turbo, and a custom projector module, enabling secure, responsive audio-text processing directly on edge devices.

Unlike traditional approaches that chain ASR and LLM models together, OmniAudio-2.6B unifies both capabilities in a single efficient architecture for minimal latency and resource overhead.

Quick Links

  1. Interactive Demo in our HuggingFace Space
  2. Quickstart for local setup
  3. Learn more in our Blogs

Feedback: Send questions or suggestions about the model in our Discord

Demo

Performance Benchmarks on Consumer Hardware

On a 2024 Mac Mini M4 Pro, Qwen2-Audio-7B-Instruct running on 🤗 Transformers achieves an average decoding speed of 6.38 tokens/second, while Omni-Audio-2.6B through Nexa SDK reaches 35.23 tokens/second in FP16 GGUF version and 66 tokens/second in Q4_K_M quantized GGUF version - delivering 5.5x to 10.3x faster performance on consumer hardware.

Use Cases

  • Voice QA without Internet: Process offline voice queries like "I am at camping, how do I start a fire without fire starter?" OmniAudio provides practical guidance even without network connectivity.
  • Voice-in Conversation: Have conversations about personal experiences. When you say "I am having a rough day at work," OmniAudio engages in supportive talk and active listening.
  • Creative Content Generation: Transform voice prompts into creative pieces. Ask "Write a haiku about autumn leaves" and receive poetic responses inspired by your voice input.
  • Recording Summary: Simply ask "Can you summarize this meeting note?" to convert lengthy recordings into concise, actionable summaries.
  • Voice Tone Modification: Transform casual voice memos into professional communications. When you request "Can you make this voice memo more professional?" OmniAudio adjusts the tone while preserving the core message.

How to Use On Device

Step 1: Install Nexa-SDK (local on-device inference framework)

🚀 Install Nexa-SDK

Nexa-SDK is a open-sourced, local on-device inference framework, supporting text generation, image generation, vision-language models (VLM), audio-language models, speech-to-text (ASR), and text-to-speech (TTS) capabilities. Installable via Python Package or Executable Installer.

Step 2: Then run the following code in your terminal

nexa run omniaudio -st

💻 OmniAudio-2.6B q4_K_M version requires 1.30GB RAM and 1.60GB storage space.

Training

We developed OmniAudio through a three-stage training pipeline:

  • Pretraining: The initial stage focuses on core audio-text alignment using MLS English 10k transcription dataset. We introduced a special <|transcribe|> token to enable the model to distinguish between transcription and completion tasks, ensuring consistent performance across use cases.
  • Supervised Fine-tuning (SFT): We enhance the model's conversation capabilities using synthetic datasets derived from MLS English 10k transcription. This stage leverages a proprietary model to generate contextually appropriate responses, creating rich audio-text pairs for effective dialogue understanding.
  • Direct Preference Optimization (DPO): The final stage refines model quality using GPT-4o API as a reference. The process identifies and corrects inaccurate responses while maintaining semantic alignment. We additionally leverage Gemma2's text responses as a gold standard to ensure consistent quality across both audio and text inputs.

What's Next for OmniAudio?

OmniAudio is in active development and we are working to advance its capabilities:

  • Building direct audio generation for two-way voice communication
  • Implementing function calling support via Octopus_v2 integration

In the long term, we aim to establish OmniAudio as a comprehensive solution for edge-based audio-language processing.

Join Community

Discord | X(Twitter)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
1245a27

0 моделей