/ Модель

Характеристики

Лицензия
MIT
Архитектура
gigachat_audio · dense
Базовая модель
GigaChat3.1-10B-A1.8B
Библиотека
transformers
Опубликована
13 июл 2026

GigaChat3.1-Audio-10B-A1.8B

Генерация текстаТекст → текст6 профессий

Аудиоязыковая модель GigaChat для вопросов по аудио, классификации звука и поиска событий с временными отметками.

164 тыс.скачиваний за 30 дней58лайковвеса обновлены14 июл 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

GigaChat Audio 10B (A1.8B) — аудионативная языковая модель ai-sage, созданная на основе текстовой GigaChat 3.1 Lightning. Conformer-энкодер речи и адаптер модальности передают аудиоэмбеддинги в декодер Mixture-of-Experts; модель также выполняет текстовые задачи. В названии указаны 10B параметров и активная конфигурация A1.8B, однако метаданные не содержат отдельного значения общего размера модели.

Модель предназначена для вопросов и ответов по аудио, классификации звука, поиска событий и фрагментов по времени, создания описаний и кратких пересказов аудио с временными отметками. README также заявляет поддержку использования инструментов. В карточке приведены сравнительные результаты на аудио-бенчмарках и отмечено, что добавление аудиомодальности меняет качество текстовых задач: на части тестов результаты базовой модели снижаются, на других растут.

Модель принимает аудио и текстовые запросы, выдаёт текстовые ответы и описания с временными отметками. Для temporal grounding заявлено обучение на длинных аудиозаписях с временной разметкой из TimeGround-1M. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы по аудиозаписям
  • классификация звуков и аудиособытий
  • поиск момента, когда в записи упоминается тема
  • создание описаний аудиособытий с временными отметками
  • краткий пересказ длинной аудиозаписи с временными отметками
  • выполнение текстовых задач в диалоговом режиме

Ограничения

В README отмечено, что добавление аудиомодальности снижает результаты базовой текстовой модели на некоторых бенчмарках, включая MMLU-Pro и IFEval-ru. Показатели на бенчмарках не гарантируют качество для конкретных записей и сценариев.

Для каких профессий подходит6

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

GigaChat Audio 10B (A1.8B)

GigaChat Audio 10B is an audio-native LLM built on top of the GigaChat 3.1 Lightning text model. A Conformer speech encoder and a modality adapter feed audio embeddings directly into a Mixture-of-Experts decoder, so the model keeps the text quality of its base while adding speech understanding.

Capabilities: audio question answering and classification, temporal grounding (localization in long audio, timestamped event descriptions, audio summarization with timestamps), tool-use, and text-only tasks.

The temporal grounding skills are trained on TimeGround-1M — a purpose-built dataset of long-form audio paired with time-aligned annotations.

Evaluation

1. Core audio tasks vs open models

TaskSetMetricGigaChat Audio (10B-A1.8B)Voxtral (3B)Phi-4 (4B)Qwen3-Omni (30B-A3B)
Audio QAMMAUacc ↑62.259.868.374.7
Audio QAMMLU-speechacc ↑50.338.835.172.2
Audio mathMQAacc ↑72.535.342.086.7
Audio QA (ru)RuBQacc ↑60.023.42.343.7
Temporal Localization≤10mmIoU ↑40.33.40.212.9
Temporal Localization20–60mmIoU ↑48.30.10.20.1
EmotionDusha crowdacc ↑90.043.911.477.2
EmotionDusha podcastacc ↑92.479.67.280.7
ASR (ru)Golos crowdWER ↓14.725.9180.013.1
ASR (ru)Golos farfieldWER ↓9.730.3188.718.4
ASR (ru)FLEURS ruWER ↓4.47.8208.53.3
ASR (en)FLEURS enWER ↓6.54.04.25.0
TranslationFLEURS ru→enBLEU ↑33.434.00.133.8
TranslationFLEURS en→ruBLEU ↑26.021.419.929.3

2. Timing tasks (detailed)

TL — temporal localization: find when something is discussed (mIoU vs the reference span). TD — timestamped descriptions of audio events (overall grade 0–5). SUM — long-audio summarization with timestamps; single score = mean of factual accuracy, timing structure and audio coverage with timestamps.

MetricBucketGigaChat Audio (10B-A1.8B)Voxtral (3B)Phi-4 (4B)Qwen3-Omni (30B-A3B)
TL mIoU ↑≤10m40.33.40.212.9
TL mIoU ↑10–20m46.80.00.20.0
TL mIoU ↑20–60m48.30.10.20.1
TL mIoU ↑60–120m48.90.93.74.6
TL mIoU ↑AMI meeting30.30.00.00.0
TD overall ↑ (0–5)≤10m3.452.892.623.23
TD overall ↑ (0–5)10–20m3.212.332.072.49
TD overall ↑ (0–5)20–60m3.272.151.952.17
TD overall ↑ (0–5)60–120m3.261.451.211.84
SUM overall ↑≤10m71.664.126.265.7
SUM overall ↑10–20m71.458.923.054.8
SUM overall ↑20–60m67.950.221.443.8
SUM overall ↑60–120m55.440.19.817.3

3. Text quality vs the text base model

Adding the audio modality shifts text quality: some benchmarks regress (MMLU-Pro, IFEval-ru, BBH), others improve (RuBQ, GPQA Diamond).

BenchmarkText 10bAudio 10bΔ
MMLU_PRO_EN62.0452.86−9.18
RUBQ (ru)67.4668.91+1.45
IFEVAL (ru)66.2262.35−3.87
BBH75.7268.46−7.26
GPQA Diamond39.7340.91+1.18

Quickstart (Transformers)

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

model_name = "ai-sage/GigaChat3.1-Audio-10B-A1.8B"
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name, trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda:0",
)

messages = [{"role": "user", "content": [
    {"type": "audio", "path": "90min_lecture.wav"},
    {"type": "text", "text": "When does the speaker mention Star Wars midi-chlorians?"},
]}]
inputs = processor.prepare_for_inference(messages, device=model.device)
output_ids = model.generate(**inputs, max_new_tokens=256)
answer_ids = output_ids[0, inputs["input_ids"].shape[1]:]
print(processor.decode(answer_ids))
# > ... in the interval 01:27:46 to 01:27:53. In this segment they explain ...

vLLM (single GPU, native multimodal)

Both encoder and decoder run inside vLLM. compilation_config disables torch.compile (needed for the Conformer tower); max_num_batched_tokens sizes the audio encoder cache (~90 min is 33k tokens):

import librosa
import os
from transformers import AutoProcessor
from vllm import LLM, SamplingParams

os.environ.setdefault("VLLM_WORKER_MULTIPROC_METHOD", "spawn")

model_name = "ai-sage/GigaChat3.1-Audio-10B-A1.8B"


def main():
    processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
    llm = LLM(
        model=model_name,
        trust_remote_code=True,
        max_model_len=65536,
        max_num_batched_tokens=65536,
        limit_mm_per_prompt={"audio": 1},
        compilation_config={"mode": 0, "cudagraph_mode": "FULL"},
    )

    messages = [{"role": "user", "content": [
        {"type": "audio", "path": "90min_lecture.wav"},
        {"type": "text", "text": "When does the speaker mention Star Wars midi-chlorians?"},
    ]}]
    text, audio_paths = processor.render_prompt(messages)
    wav, _ = librosa.load(audio_paths[0], sr=16000, mono=True)
    out = llm.generate(
        {"prompt": text, "multi_modal_data": {"audio": [(wav, 16000)]}},
        SamplingParams(temperature=0.0, max_tokens=256),
    )
    print(processor.decode(out[0].outputs[0].token_ids))
    # > ... in the interval 01:27:46 to 01:27:53. In this segment they explain ...


if __name__ == "__main__":
    main()

Throughput

Single-request decode speed on one H100 (vLLM 0.18.0, bf16, greedy), by amount of audio held in context:

In-context audioDecode throughput (tok/s)
≤ 10 min242
10–20 min233
20–60 min225
60–120 min211

Audio features (encoder + adapter)

model.encode_audio returns the LLM-space audio embeddings:

spec = processor.feature_extractor.process("audio.wav")   # (frames, 64) log-mel
specs = spec.unsqueeze(0).to(model.device, torch.bfloat16)
lengths = torch.tensor([spec.shape[0]], device=model.device)
feats, feat_lengths = model.encode_audio(specs, lengths)   # (1, tokens, hidden)

Recommended versions

  • torch 2.10.0, torchaudio 2.10.0
  • transformers 4.57.6
  • vllm 0.18.0
  • flash-attn 2.8.3

Citation

If you use GigaChat Audio in your research, please cite:

@misc{kutsakov2026_gigachataudio,
  title         = {{GigaChat Audio}: Time-aware Large Audio Language Model},
  author        = {Kutsakov, Aleksandr and
                   Sadovina, Mariia and
                   Gospodinov, Georgii and
                   Maximenko, Alexandr and
                   Kutuzov, Oleg and
                   Bogomolov, Pavel and
                   Minkin, Fyodor},
  year          = {2026},
  eprint        = {2607.10387},
  archivePrefix = {arXiv},
  primaryClass  = {eess.AS},
  url           = {https://arxiv.org/abs/2607.10387},
  note          = {Accepted to Interspeech 2026}
}

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
GigaChatAudioForConditionalGeneration
Ревизия весов
bf73d03

0 моделей