/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
16,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_audio · dense
Опубликована
16 июл 2024

Qwen2-Audio-7B

Распознавание речи3 профессии

Qwen2-Audio-7B — аудиоязыковая модель на 7 млрд параметров для голосового общения и анализа аудио с текстовыми ответами.

26 782скачиваний за 30 дней180лайковвеса обновлены20 ноя 2024

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки14

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

  • FleursT2ARetrieval

    main_score

    Результат

    0,0433

    Общий результат 0,0341Общий результат 0,0233Общий результат 0,0205
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17T2ARetrieval

    main_score

    Результат

    0,01

    Общий результат 0,016
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21A2TRetrieval

    main_score

    Результат

    0,055

    Общий результат 0,05Общий результат 0,045Общий результат 0,042
    MTEB

    Публичная таблицаревизия совпадает

  • SIBFLEURS

    main_score

    Результат

    0,1241

    Общий результат 0,1431Общий результат 0,1427Общий результат 0,1253
    MTEB

    Публичная таблицаревизия совпадает

  • FleursA2TRetrieval

    main_score

    Результат

    0,0108

    Общий результат 0,2174Общий результат 0,0448Общий результат 0,019
    MTEB

    Публичная таблицаревизия совпадает

  • UrbanSound8kZeroshot

    main_score

    Результат

    0,1182

    MTEB

    Публичная таблицаревизия совпадает

  • LibriTTST2ARetrieval

    main_score

    Результат

    0,0047

    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21T2ARetrieval

    main_score

    Результат

    0,07

    Общий результат 0,065Общий результат 0,04
    MTEB

    Публичная таблицаревизия совпадает

  • VocalSound

    main_score

    Результат

    0,9182

    MTEB

    Публичная таблицаревизия совпадает

  • LibriTTSA2TRetrieval

    main_score

    Результат

    0,0021

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltLyricA2TRetrieval

    main_score

    Результат

    0,007

    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17A2TRetrieval

    main_score

    Результат

    0,02

    Общий результат 0,084Общий результат 0,022Общий результат 0,018
    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,3794

    MTEB

    Публичная таблицаревизия совпадает

  • JLCorpusT2ARetrieval

    main_score

    Результат

    0,1

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen2-Audio-7B — плотная аудиоязыковая модель семейства Qwen2-Audio, разработанная командой Qwen. Она принимает аудиосигнал и формирует текстовые ответы для голосового общения и анализа аудио по текстовым инструкциям.

Модель содержит 7 млрд параметров и предназначена для сценариев, где нужно взаимодействовать с аудио напрямую или задавать к нему вопросы. В README отдельно описаны режим голосового чата без текстового ввода и анализ аудио с текстовой инструкцией. Для загрузки используется Transformers; веса доступны в формате safetensors. Поддерживаемый в карточке язык — английский.

Это предварительно обученная базовая модель, а не вариант Instruct из той же линейки. Репозиторий распространяется по лицензии Apache-2.0. Для работы README советует использовать актуальную версию Transformers, собранную из исходного кода.

Сценарии применения

  • ответы на вопросы по аудиозаписи
  • анализ аудио по текстовой инструкции
  • голосовой диалог без предварительного текстового ввода

Ограничения

Это предварительно обученная базовая модель, тогда как для диалогового сценария в семействе отдельно выпущена версия Instruct. README рекомендует актуальную сборку Transformers из исходного кода для загрузки модели.

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

Qwen2-Audio-7B

Introduction

Qwen2-Audio is the new series of Qwen large audio-language models. Qwen2-Audio is capable of accepting various audio signal inputs and performing audio analysis or direct textual responses with regard to speech instructions. We introduce two distinct audio interaction modes:

  • voice chat: users can freely engage in voice interactions with Qwen2-Audio without text input;

  • audio analysis: users could provide audio and text instructions for analysis during the interaction;

We release Qwen2-Audio-7B and Qwen2-Audio-7B-Instruct, which are pretrained model and chat model respectively.

For more details, please refer to our Blog, GitHub, and Report.

Requirements

The code of Qwen2-Audio has been in the latest Hugging face transformers and we advise you to build from source with command pip install git+https://github.com/huggingface/transformers, or you might encounter the following error:

KeyError: 'qwen2-audio'

Quickstart

Here provides offers a code snippet illustrating the process of loading both the processor and model, alongside detailed instructions on executing the pretrained Qwen2-Audio base model for content generation.

from io import BytesIO
from urllib.request import urlopen
import librosa
from transformers import AutoProcessor, Qwen2AudioForConditionalGeneration

model = Qwen2AudioForConditionalGeneration.from_pretrained("Qwen/Qwen2-Audio-7B" ,trust_remote_code=True)
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-Audio-7B" ,trust_remote_code=True)

prompt = "<|audio_bos|><|AUDIO|><|audio_eos|>Generate the caption in English:"
url = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-Audio/glass-breaking-151256.mp3"
audio, sr = librosa.load(BytesIO(urlopen(url).read()), sr=processor.feature_extractor.sampling_rate)
inputs = processor(text=prompt, audios=audio, return_tensors="pt")

generated_ids = model.generate(**inputs, max_length=256)
generated_ids = generated_ids[:, inputs.input_ids.size(1):]
response = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]

Citation

If you find our work helpful, feel free to give us a cite.

@article{Qwen2-Audio,
  title={Qwen2-Audio Technical Report},
  author={Chu, Yunfei and Xu, Jin and Yang, Qian and Wei, Haojie and Wei, Xipin and Guo,  Zhifang and Leng, Yichong and Lv, Yuanjun and He, Jinzheng and Lin, Junyang and Zhou, Chang and Zhou, Jingren},
  journal={arXiv preprint arXiv:2407.10759},
  year={2024}
}
@article{Qwen-Audio,
  title={Qwen-Audio: Advancing Universal Audio Understanding via Unified Large-Scale Audio-Language Models},
  author={Chu, Yunfei and Xu, Jin and Zhou, Xiaohuan and Yang, Qian and Zhang, Shiliang and Yan, Zhijie  and Zhou, Chang and Zhou, Jingren},
  journal={arXiv preprint arXiv:2311.07919},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2AudioForConditionalGeneration
Ревизия весов
dd84470

0 моделей