/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Nemotron-Labs-Audex-2B
Библиотека
mlx
Опубликована
21 июл 2026

Nemotron-Labs-Audex-2B-MLX-bf16

Языковая модельАудио, текст → текст

Конверсия Nemotron-Labs-Audex-2B в MLX для Apple Silicon объединяет распознавание и понимание речи, текстовую генерацию и синтез речи.

0скачиваний за 30 дней0лайковвеса обновлены21 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

Nemotron-Labs-Audex-2B-MLX-bf16 — конвертированная в формат MLX модель NVIDIA Nemotron-Labs-Audex-2B для запуска на Apple Silicon; веса представлены в bf16. Это единый аудио-текстовый Transformer-декодер на основе текстовой LLM, который поддерживает текстовую генерацию, распознавание и понимание речи, синтез речи и речевой диалог. Аудиокодировщик на основе NV-Whisper передаёт представления аудио в языковую модель, а речевой декодер преобразует токены речи в звуковую волну с частотой 16 кГц. Текстовый декодер имеет 28 слоёв и скрытый размер 2048; для аудио заявлена обработка фрагментов до 30 секунд.

Модель подходит для локальных голосовых интерфейсов на компьютерах Apple Silicon: она может принимать речь, формировать текстовые ответы, озвучивать текст и поддерживать диалог голосом. Репозиторий также сохраняет возможности текстовой instruct-модели. Лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели и репозитория; в README приведена инструкция по загрузке и зависимостям для инференса.

Сценарии применения

  • распознавание речи и получение текстовой расшифровки
  • ответы на вопросы по аудиозаписям
  • голосовой диалог с озвучиванием ответа
  • синтез речи из текста
  • локальный голосовой помощник на Apple Silicon
  • генерация обычных текстовых ответов

Ограничения

Порт предназначен для запуска на Apple Silicon и требует MLX-совместимого программного окружения. Для лицензии указано значение other; проверьте условия исходной модели и репозитория перед использованием.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron-Labs-Audex-2B — MLX (bf16)

An MLX conversion of NVIDIA's Nemotron-Labs-Audex-2B that runs natively on Apple Silicon. Weights are bf16.

Audex is a unified audio-text model: a single Transformer decoder built on a text-only LLM (Nemotron-Cascade-2) that gains speech understanding and generation without regressing on text intelligence. This repo hosts the converted weights for four capabilities, all on one model:

  • Text generation — it is still a capable instruct LLM
  • Text-to-speech (TTS) — single-codebook FSQ speech tokens → 16 kHz waveform
  • Speech-to-text (ASR / audio understanding) — NV-Whisper encoder projected into the LLM
  • Speech-to-speech — talk to it, it replies in speech (cascaded: ASR → text reply → TTS)

A 4-bit build (~2× smaller LM, ~2× faster synthesis) is at Nemotron-Labs-Audex-2B-MLX-4bit.

Usage

The loader/inference code lives in the open-source repo akashicMarga/mlx-audio-train under models/audex/.

git clone https://github.com/akashicMarga/mlx-audio-train
pip install mlx mlx-lm mlx-whisper soundfile transformers
huggingface-cli download akashicmarga/Nemotron-Labs-Audex-2B-MLX-bf16 --local-dir audex_mlx
from models.audex import load_model, text_generate, tts_generate, s2s_generate
import soundfile as sf

m = load_model("audex_mlx")
print(text_generate(m, "Explain RoPE in one sentence."))

sf.write("out.wav", tts_generate(m, "Hello from Apple Silicon."), 16000)

reply, wav = s2s_generate(m, "question.wav")   # speech in -> speech out
sf.write("reply.wav", wav, 16000)
# CLIs
python scripts/infer_audex.py --model audex_mlx --tts "..." --output out.wav
python scripts/audex_s2s.py   --model audex_mlx --input q.wav --output reply.wav

Architecture (as ported)

  • LM — NemotronDense: 28-layer decoder, hidden 2048, GQA 16/8, head_dim 128, squared-ReLU MLP, RMSNorm, full RoPE (θ=1e8), vocab 205312 (text + 65536 speech-codec + 8192 audio-codec).
  • Speech codec — Audex causal decoder: a single FSQ codebook (one token/frame @ 50 Hz) → 12-layer Vocos transformer → 320 samples/frame @ 16 kHz.
  • Audio encoder — NV-Whisper (Qwen2-Audio encoder): 128-mel → 32 layers → 750 embeddings per 30 s clip, projected into the LLM embedding space and injected at <so_embedding> slots.

License & attribution

Derived from nvidia/Nemotron-Labs-Audex-2B and distributed under the same NVIDIA OneWay Noncommercial License — non-commercial use only. See the base model for the full license and paper (arXiv:2607.05196). All credit for the model and training to NVIDIA; this repo only provides an MLX weight conversion.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
081b3c8

0 моделей