/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
10,1 млрд
Размер весов
4,8 ГБ
Лицензия
Apache 2.0
Архитектура
moss · dense
Библиотека
transformers
Опубликована
26 июн 2026

MOSS-Transcribe-preview-2B

Генерация текстаТекст → текст8 профессий

Модель OpenMOSS Team распознаёт английскую речь в аудио и преобразует её в текст.

439скачиваний за 30 дней53лайкавеса обновлены26 июн 2026

Бенчмарки

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

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    4,87

    librispeech_clean_wer 1,21spgispeech_wer 1,63librispeech_other_wer 2,84
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MOSS-Transcribe-preview-2B — англоязычная модель распознавания речи в текст, разработанная OpenMOSS Team. Она принимает аудио и предназначена для транскрибации английской речи, в том числе для исследовательских и оценочных сценариев. Модель построена на языковой основе Qwen3-1.7B-base и аудиокодировщике Qwen3-Omni-MoE; gated-MLP-адаптер передаёт аудиопризнаки в пространство эмбеддингов языковой модели.

По README, модель содержит около 2,4 млрд параметров, тогда как метаданные Hugging Face указывают 10,1 млрд. Контекст составляет 32 768 токенов. Модель обучалась на открытых англоязычных корпусах распознавания речи и дообучалась с reinforcement learning на обучающих разбиениях Open ASR Leaderboard. В README приведены результаты оценки на нескольких наборах данных; TED-LIUM в этой оценке не использовался.

Ограничения включают возможное снижение качества на других языках, при сильных акцентах, шуме, перекрывающейся речи, записи на расстоянии и узкоспециальной терминологии; результаты для важных решений следует проверять вручную. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация английских аудиозаписей
  • распознавание английской речи в записях совещаний
  • подготовка текстовых расшифровок для оценки систем ASR
  • преобразование английских аудиоданных в текст для анализа

Ограничения

Модель рассчитана на английскую речь и может хуже работать с другими языками, сильными акцентами, шумом, перекрывающимися говорящими, дальней записью и специальной терминологией. Для решений с высокими последствиями расшифровку следует проверять вручную.

Для каких профессий подходит8

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

MOSS-Transcribe-preview-2B

MOSS-Transcribe-preview-2B is an English speech-to-text model that pairs a Qwen3-1.7B-base language-model backbone with a Qwen3-Omni-MoE audio encoder. A gated-MLP adapter projects audio features into the language-model embedding space. The model is trained on public English ASR corpora and fine-tuned with reinforcement learning on the Open ASR Leaderboard training splits.

The model has approximately 2.4B parameters and is distributed as a single bfloat16 safetensors shard of approximately 4.84 GB.

Model Details

  • Developed by: OpenMOSS Team
  • Model type: Automatic Speech Recognition / speech-to-text model
  • Language: English
  • License: Apache-2.0
  • Library: Transformers
  • Backbone: Qwen3-1.7B-base, 28 layers, hidden size 2048
  • Audio encoder: Qwen3-Omni-MoE audio encoder
  • Adapter: Gated-MLP adapter, hidden size 8192
  • Parameter size: approximately 2.4B
  • Checkpoint format: bfloat16 safetensors

Intended Use

This model is intended for English automatic speech recognition, including transcription of English speech audio for research and evaluation purposes.

Evaluation

Evaluated on the Open ASR Leaderboard test sets. Predictions are produced with greedy decoding (num_beams=1, max_new_tokens=512), a single dataset-agnostic chat template, and scored with the leaderboard's standardized scoring (English normalizer + word-level edit distance with compound merging). TED-LIUM is not currently part of the leaderboard run and is therefore excluded.

DatasetWER (%)
AMI8.37
Earnings227.84
GigaSpeech6.78
LibriSpeech test.clean1.21
LibriSpeech test.other2.84
SPGISpeech1.63
VoxPopuli5.39
Average4.87

Inference

import librosa
import torch
from huggingface_hub import hf_hub_download
from transformers import AutoModelForCausalLM, AutoTokenizer
from transformers.dynamic_module_utils import get_class_from_dynamic_module

REPO = "OpenMOSS-Team/MOSS-Transcribe-preview-2B"
DEVICE = "cuda:0"

model = AutoModelForCausalLM.from_pretrained(
    REPO, dtype=torch.bfloat16, trust_remote_code=True
).to(DEVICE).eval()
tokenizer = AutoTokenizer.from_pretrained(REPO, trust_remote_code=True)

MossProcessor = get_class_from_dynamic_module("processing_Moss.MossProcessor", REPO)
MelConfig = get_class_from_dynamic_module("processing_Moss.MelConfig", REPO)

mel_cfg = MelConfig(
    mel_sr=16000,
    mel_dim=128,
    mel_n_fft=400,
    mel_hop_length=160,
)
processor = MossProcessor(tokenizer, config=mel_cfg, enable_time_marker=False)
processor.load_template(hf_hub_download(REPO, "chat_template_default.py"))

waveform, _ = librosa.load("your_audio.wav", sr=16000)
inputs = processor(audio=waveform, return_tensors="pt").to(DEVICE)
inputs["audio_data"] = inputs["audio_data"].to(model.dtype)

with torch.no_grad():
    out_ids = model.generate(
        **inputs,
        max_new_tokens=512,
        do_sample=False,
        num_beams=1,
        use_cache=True,
        eos_token_id=[processor.end_token_id],
    )

new_ids = out_ids[:, inputs["input_ids"].shape[1]:]
transcript = processor.batch_decode(new_ids, skip_special_tokens=True)[0].strip()
print(transcript)

Audio Frontend

  • Sample rate: 16 kHz
  • Features: Whisper log-mel filterbank
  • Mel bins: 128
  • FFT size: 400
  • Hop length: 160

Training

The model was trained on public English ASR corpora and fine-tuned with reinforcement learning on the Open ASR Leaderboard training splits.

Limitations

The model is designed for English ASR. It may perform worse on non-English speech, heavy accents, noisy recordings, overlapping speakers, far-field audio, domain-specific terminology, or audio conditions that differ significantly from the training and evaluation data. The output should be manually reviewed before use in high-stakes settings.

Citation

@misc{moss_transcribe_2025,
  title        = {{MOSS-Transcribe-preview-2B}},
  author       = {{OpenMOSS Team}},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/OpenMOSS-Team/MOSS-Transcribe-preview-2B}}
}

License

This model is released under the Apache-2.0 license.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
MossForCausalLM
Ревизия весов
c98175c

0 моделей