/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
qadit · dense
Библиотека
transformers
Опубликована
9 авг 2026

QaDiT-160

Генерация аудиоТекст → аудио3 профессии

QaDiT-160 — исследовательская диффузионная модель, создающая 10,24-секундные записи окружающих звуков по текстовому описанию.

19скачиваний за 30 дней1лайквеса обновлены11 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

QuarkML разработала QaDiT-160 — исследовательскую модель преобразования текстовых описаний в короткие аудиозаписи. Это латентный Diffusion Transformer примерно на 159 млн параметров: FLAN-T5 формирует текстовое conditioning, DiT-B из 12 слоёв выполняет диффузионное восстановление латентов, а VAE и HiFi-GAN декодируют их в звук. Модель выдаёт монофоническое аудио длительностью 10,24 секунды с частотой 16 кГц.

Чекпойнт обучен на 45 178 клипах AudioCaps с описаниями окружающих и бытовых звуков. Он подходит для учебных демонстраций генерации звуковых эффектов, воспроизведения небольшого латентного DiT-конвейера и дальнейших экспериментов или дообучения. Для генерации используются 50 шагов DDIM по умолчанию; модель работает на CPU и CUDA. Лицензия — Apache-2.0.

Это исследовательский артефакт, а не готовая производственная модель. Чекпойнт обучен ограниченное число шагов и слабо справляется с речью, музыкой и сценами с насыщенным описанием; речь и музыка находятся вне распределения обучающих данных. При малом числе шагов генерации звук может быть грубым.

Сценарии применения

  • генерация звуков леса, воды и птиц по описанию
  • создание коротких бытовых звуковых эффектов
  • демонстрация генерации аудио латентным Diffusion Transformer
  • воспроизведение и исследование конвейера AudioLDM-подобной генерации
  • дообучение модели для экспериментов с генерацией звука

Ограничения

Обучение ограничено 45 178 клипами AudioCaps и примерно 24 тысячами шагов; модель слабо генерирует речь, музыку и сцены с насыщенными описаниями. При малом числе шагов DDIM качество звука ухудшается.

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

QaDiT — text-to-audio latent Diffusion Transformer

A ~159M-parameter latent Diffusion Transformer that turns a text caption into 10.24 s of 16 kHz mono audio: FLAN-T5 conditioning → DiT denoising of AudioLDM KL-VAE latents → VAE decode → HiFi-GAN vocoder.

Example: Prompt: A small waterfall flows through a forest while insects buzz and birds sing.

Output:


PieceChoice
BackboneDiT-B — depth 12, width 768, 12 heads, MLP ratio 4.0 (~159M)
Latent grid[8, 256, 16] (channels × time × freq)
Patchify2×2 → 1024 tokens, fixed 2-D sincos positions
TextFLAN-T5-large cross-attention every block + pooled text in adaLN-Zero
Train targetv-prediction
Noise schedulecosine ᾱ, T = 1000
Timestep sampling (train)logit-normal
CFGp_uncond = 0.1 train; default guidance 4.0 at sample
SamplerDDIM, default 50 steps, η = 0
Aux lossREPA vs frozen AST features (train only)
Decode stackcvssp/audioldm-s-full-v2 VAE + HiFi-GAN

1. Big picture — three pipelines

image


2. Offline pre-compute (frozen models, run once)

Heavy frozen models run once; the training loop never loads T5, the VAE, or the REPA encoder.

image


3. Training step (what is actually optimized)

Only the DiT and its small glue layers receive gradients.

image


4. Inside one DiT block

image


5. Inference / sampling (caption → waveform)

image


6. Component ownership

image


Training objective (DDIM + v-prediction)

Forward process

$$ z_t = \sqrt{\bar{\alpha}_t},z_0

  • \sqrt{1-\bar{\alpha}_t},\varepsilon $$

Network target

$$ v = \sqrt{\bar{\alpha}_t},\varepsilon

  • \sqrt{1-\bar{\alpha}_t},z_0 $$

At sample time the DiT predicts v; we recover \hat{z}_0 and \hat{\varepsilon}, then step with DDIM (\eta = 0). CFG is applied in v-space with default scale (s = 4.0). After DDIM, latents are divided by latent_scale ≈ 0.95035 before VAE decode — that whole chain is what model.generate() runs.


Dataset

SourceOpenSound/AudioCaps
Splittrain · 45,178 clips after precompute
Clip length10.24 s @ 16 kHz
Cached fieldsVAE latents, FLAN-T5 embeddings + mask, AST REPA targets
latent_scale0.9503493000009796 (baked into config.json)

AudioCaps is captioned environmental / everyday sound — not speech or music. Those domains are out of distribution for this checkpoint.


Training run (this checkpoint)

OptimizerAdamW, lr 1e-4, weight decay 0
Steps23,999 (EMA exported)
Global batch256 (2 GPUs × microbatch 16 × grad accum 8)
EMA decay0.9999
REPAweight 0.5, decayed over 15k steps
AMPyes

Training curves

Put W&B / TensorBoard screenshots (or exports) under assets/ using the filenames below. Until then the images show as broken links on the Hub — that is intentional so the slots are obvious.

Diffusion / total loss

image

REPA loss

image


Usage

pip install transformers diffusers soundfile sentencepiece
import soundfile as sf
import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("QuarkML/QaDiT", trust_remote_code=True)
model = model.to("cuda" if torch.cuda.is_available() else "cpu").eval()

out = model.generate(
    "A small waterfall flows through a forest while insects buzz and birds sing.",
    num_inference_steps=200,
    guidance_scale=16.0,
    seed=0,
)
sf.write("sample.wav", out.audios[0], out.sampling_rate)

First generate downloads the frozen helpers this run was trained with: google/flan-t5-large and the VAE + vocoder from cvssp/audioldm-s-full-v2.

Output types

output_typeFieldContent
"np" (default)audioslist of float32 numpy waveforms in [-1, 1]
"pt"audio_values[B, num_samples] tensor
"latent"latents[B, 8, 256, 16] scaled latents (skips VAE/vocoder)

Precomputed T5 states

out = model.generate(
    encoder_hidden_states=text_emb,      # [B, 64, 1024]
    encoder_attention_mask=text_mask,    # [B, 64]
)

Single denoising step

v = model(latents, timesteps, encoder_hidden_states, encoder_attention_mask).sample

Precision and devices

Runs on CPU and CUDA. With dtype=torch.float16 or torch.bfloat16 the DiT backbone runs in half precision; DDIM schedule math stays in float32. Keep T5 / VAE / vocoder in float32 (FLAN-T5 overflows easily in fp16).


Important details

  • config.latent_scale (0.9503493) must match training precompute. generate divides by it before VAE decode.
  • Every sample is fixed length: 10.24 s @ 16 kHz.
  • repa_layer exists for REPA fine-tuning; inference ignores it.
  • Sampling always uses the EMA weights packaged here.

Limitations and intended use

Intended use: education, reproduction of a small latent DiT audio stack, ablations, and a starting checkpoint for longer / wider training.

Not intended for: production SFX libraries, speech synthesis, music generation, or safety-critical audio.

Known limits of this checkpoint

  • ~24k steps on ~45k AudioCaps clips — undertrained vs public SOTA systems
  • Weak on speech, music, and densely described scenes
  • Inherits caption biases and coverage holes of AudioCaps
  • Prefer the default 50 DDIM steps for demos; low step counts sound coarse

Research artifact — how to improve this

This release is a research artifact, not a production host model. The architecture and sampling path are solid enough to build on; the ceiling is mostly data and compute:

  1. Train longer — continue past 24k steps with the same recipe (or lower LR).
  2. Scale the dataset — mix in larger captioned audio corpora beyond AudioCaps.
  3. Retune sampling — CFG scale, DDIM step count, and prompt formatting.
  4. Keep measuring — log diffusion loss, REPA loss, and listening tests.

Those levers will move quality more than inventing a new backbone for this size of model. Contributions and longer runs are welcome; treat this Hub page as a reproducible baseline, not a finished product.


Citation

@misc{qadit2026,
  title        = {QaDiT: A Text-to-Audio Latent Diffusion Transformer},
  author       = {Sidharth GN},
  year         = {2026},
  note         = {Research artifact. Weights and transformers remote-code loading.}
}
Resource
DatasetOpenSound/AudioCaps
VAE / vocodercvssp/audioldm-s-full-v2
Text encodergoogle/flan-t5-large

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
QaDiTModel
Ревизия весов
0523915

0 моделей