/ Модель

Характеристики

Базовая модель
FireRedVAD
Опубликована
29 авг 2026

FireRedVAD-GGUF

Поиск речи в аудиоАудио → label5 профессий

Компактный набор моделей FireRedVAD в GGUF для потокового и пакетного обнаружения речи, а также распознавания аудиособытий.

144скачиваний за 30 дней1лайквеса обновлены30 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

FireRedVAD-GGUF — набор моделей FireRedVAD, подготовленных Strg-Alt-Entf-0x00 в формате GGUF для кроссплатформенного инференса через C++. В набор входят потоковая и двунаправленная модели обнаружения голосовой активности, а также модель классификации аудиособытий; для каждой доступны варианты квантования INT8-CH, INT8 и INT16. Исходная модель указана как FireRedTeam/FireRedVAD.

Потоковый вариант предназначен для обнаружения речи в реальном времени с обработкой кадров по 10 мс и без необходимости учитывать будущий контекст. Стандартный VAD использует двунаправленный контекст и подходит для пакетной обработки сегментов аудио. AED одновременно выявляет речь, музыку и пение более чем в 100 языках. В README заявлены производительность до 53,6 раза быстрее реального времени для потокового VAD и оценка F1 97,57% для стандартного VAD на FLEURS-VAD-102.

Варианты GGUF рассчитаны на компактный инференс на CPU и устройствах с ограниченными ресурсами. Для INT8-CH заявлена близкая к FP32 точность; README также сообщает, что файлы были повторно загружены после исправления ошибки в фильтрах упреждения FSMN и теперь совпадают с реализацией PyTorch. Репозиторий не указывает лицензию, поэтому условия использования следует проверять у исходной модели и в файлах репозитория.

Сценарии применения

  • обнаружение речи в аудиопотоке в реальном времени
  • выделение речевых сегментов в записанном аудио
  • обнаружение речи на маломощных CPU и IoT-устройствах
  • классификация аудио по наличию речи, музыки или пения
  • пакетная разметка аудиозаписей перед распознаванием речи

Ограничения

Стандартный двунаправленный VAD требует буферизации аудиосегментов и не подходит для обработки без задержки; для меньшей задержки предназначен потоковый вариант. Метрики производительности и качества приведены в README для указанных режимов и набора FLEURS-VAD-102; лицензия репозитория не обозначена.

Для каких профессий подходит5

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

FireRedVAD GGUF Models

Pre-converted FireRedVAD models in GGUF format for cross-platform, high-performance C++ inference. Includes Standard VAD, Streaming VAD, and Audio Event Detection (AED) with multiple quantization options.

(Update 2026-08-30: Models re-uploaded to fix a mathematical transposition bug in the FSMN lookahead filters. These models now have 100% exact parity with the original PyTorch implementation).

⚡ Quick Start (Python / Hub)

pip install huggingface-hub
from huggingface_hub import hf_hub_download

# Download streaming VAD (INT8-CH, recommended)
model_path = hf_hub_download(
    repo_id="Strg-Alt-Entf-0x00/FireRedVAD-GGUF",
    filename="stream-vad/int8-ch/firered-stream-vad-int8-ch.gguf"
)

For the highly-optimized Native C++ Engine (no PyTorch required, up to 53x realtime), see the Integration Repository.


📁 Available Models

All models follow this structure: {model_type}/{quantization}/{filename}.gguf

stream-vad/ — Real-time Streaming VAD (Causal, Low Latency)

Best for real-time voice activity detection. Fully causal — no future context needed. Optimized for streaming applications with 10ms frame processing. Achieves up to 53.6x realtime performance on a single CPU core.

QuantizationPathSizeMAE vs FP32SQNRNotes
INT8-CHstream-vad/int8-ch/601 KB0.00098559.4 dBRecommended for Edge / IoT. Per-channel quantization, near-FP32 accuracy
INT8stream-vad/int8/574 KB0.00191850.5 dBPer-tensor quantization, good accuracy
INT16stream-vad/int16/1.14 MB0.00007794.2 dBHigh precision, 2x memory
FP32stream-vad/fp32/2.28 MB0.0∞Recommended for Desktop / Server. Reference quality, 100% precision

vad/ — Standard VAD (Bidirectional, High Accuracy)

Uses bidirectional context (lookback + lookahead). Higher accuracy than stream-vad, but requires buffering full audio segments. Best for offline/batch processing. Performance: 97.57% F1 on FLEURS-VAD-102 dataset. Runs at 31.3x realtime.

QuantizationPathSizeMAE vs FP32SQNRNotes
INT8-CHvad/int8-ch/627 KB0.00098559.4 dBRecommended for Edge / IoT
INT8vad/int8/595 KB0.00195750.4 dBGood accuracy, minimal size
INT16vad/int16/1.18 MB0.00007994.2 dBHigh precision
FP32vad/fp32/2.36 MB0.0∞Recommended for Desktop / Server

aed/ — Audio Event Detection (Multi-class)

Simultaneous detection of speech, music, and singing in 100+ languages. Runs at 31.7x realtime.

QuantizationPathSizeMAE vs FP32SQNRNotes
INT8-CHaed/int8-ch/628 KB0.00098559.4 dBRecommended for Edge / IoT
INT8aed/int8/596 KB0.00195750.4 dBGood accuracy
INT16aed/int16/1.18 MB0.00007994.2 dBHigh precision
FP32aed/fp32/2.36 MB0.0∞Recommended for Desktop / Server

🔍 Quantization Details

Why INT8-CH (Per-Channel) is Recommended

Problem with standard INT8 (per-tensor): DFSMN architectures have wide variance in weight distribution across output channels. A single global scale factor per tensor cannot capture this range accurately, causing silent accuracy degradation.

Solution: INT8 Per-Channel (int8-ch): Assigns one scale factor per output channel. This preserves near-FP32 accuracy (MAE < 0.001, SQNR > 59 dB) while maintaining INT8 speed and memory efficiency.

Quantization Quality Metrics (Per Model)

Each model includes a -debug.json file with per-tensor quantization statistics:

  • MAE (Mean Absolute Error): Average difference from FP32
  • SQNR (Signal-to-Quantization-Noise Ratio): Quality metric in dB
  • Per-channel scale factors: Min/max/mean scales per layer

⚙️ Hardware Requirements

Minimum (INT8-CH models)

  • RAM: ~5 MB for model + ~2 MB for inference buffers
  • CPU: Any modern x86_64, ARM, or RISC-V processor
  • Storage: ~600 KB per model

Recommended (FP32 models)

  • RAM: ~10 MB for model + ~3 MB for inference buffers
  • CPU: SIMD support (SSE, AVX, NEON) for faster inference
  • Storage: ~2.3 MB per model

📜 License & Attribution

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Ревизия весов
3914230

0 моделей