/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
17,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_omni · dense
Базовая модель
Qwen2.5-Omni-7B
Библиотека
transformers
Опубликована
17 окт 2026

AURAL

Генерация аудиоТекст → аудио

AURAL-RL — дообученная на Qwen2.5-Omni-7B модель с латентным рассуждением для преобразования текста в аудио.

39скачиваний за 30 дней0лайковвеса обновлены17 окт 2026

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 «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

AURAL-RL — дообученная модель на базе Qwen2.5-Omni-7B, разработанная проектом AuralReason. Она выполняет адаптивное рассуждение в непрерывном латентном пространстве перед генерацией ответа и предназначена для задач преобразования текста в аудио. В модели используется сжатие с коэффициентом 4, размер блока 10, четыре компонента Гауссовой смеси и ковариация ранга 16; веса представлены в формате safetensors.

Для запуска автор рекомендует Python 3.12, Linux и NVIDIA GPU, а загрузка выполняется через пакет AURAL и библиотеку Transformers. Базовая модель мультимодальна, однако карточка AURAL описывает сценарий вывода по аудиовходу, а pipeline-tag указывает text-to-audio. В карточке заявлены английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация аудио по текстовому запросу
  • синтез речевого ответа после латентного рассуждения
  • эксперименты с непрерывным латентным рассуждением для генерации аудио

Ограничения

Для запуска требуются Linux, Python 3.12 и NVIDIA GPU. README описывает входной аудиофайл, тогда как метаданные классифицируют модель как text-to-audio, поэтому сценарий входа и генерации стоит сверить с кодом проекта.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AURAL-RL

AURAL performs adaptive reasoning in continuous latent space before generating an answer. This checkpoint uses Qwen2.5-Omni-7B with compression factor c = 4, chunk size m = 10, four Gaussian components, and a covariance rank of 16.

Paper · Code and training · AuralReason

Quick start

Use Python 3.12, Linux, and an NVIDIA GPU. Install the AURAL package:

git clone https://github.com/JensenYX/AURAL.git
cd AURAL
python -m pip install -e .
python -m pip install flash-attn==2.8.3 --no-build-isolation
python -m aural.infer --model YuxiangW/AURAL --audio speech.wav

An audio clip can be accompanied by an instruction:

python -m aural.infer --audio speech.wav --text "Describe the emotion in the speaker's voice."

For text input:

python -m aural.infer --text "What is 17 + 25?"

The AURAL loader reads the backbone, joint latent head, processor, and reasoning configuration from this repository. Generation uses latent and EOL temperatures of 1, a maximum of 100 latent states, and greedy answer decoding. The output is text.

Files

  • model-*.safetensors: Qwen2.5-Omni backbone weights.
  • latent_policy.safetensors: the joint low-rank Gaussian mixture head.
  • aural_config.json: latent dimensions, compression, chunk size, and prompt.
  • Tokenizer and processor files, including the speaker dictionary required by the Qwen2.5-Omni loader.

The code repository includes SFT, RL, custom-data formats, and training commands.

Citation

@article{wang2026aural,
  title={AURAL: Adaptive Latent Reasoning with Joint Chunk for Speech Language Models},
  author={Wang, Yuxiang and others},
  journal={arXiv preprint arXiv:2610.01560},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5OmniForConditionalGeneration
Ревизия весов
6235072

0 моделей