/ Модель

Характеристики

Лицензия
MIT
Базовая модель
VibeVoice-ASR-Streaming-7B
Опубликована
9 сен 2026

VibeVoice-ASR-Streaming-7B-GGUF

Распознавание речиАудио → текст5 профессий

VibeVoice-ASR-Streaming-7B-GGUF — это сборка в формате GGUF для audio.cpp модели автоматического распознавания речи Microsoft VibeVoice-ASR-Streaming-7B.

84 823скачиваний за 30 дней3лайкавеса обновлены9 сен 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

Репозиторий audio.cpp предоставляет варианты модели, адаптированные для запуска через audio.cpp, включая офлайн-распознавание и потоковую транскрипцию в реальном времени.

Модель предназначена для преобразования аудио в текст, в том числе при передаче аудиоданных непрерывным потоком. Заявлена поддержка английского, китайского, испанского, португальского, немецкого, японского, корейского, французского, русского и итальянского языков. Модель также относится к классу speaker-attributed transcription, однако подробности о механизме и качестве атрибуции говорящих в README не приведены. Для потокового режима требуется монофонический PCM-аудиосигнал с частотой 16 кГц и 16-битным знаковым форматом.

Доступны варианты BF16 с максимальной точностью, рекомендуемый Q8_0 и более компактный Q4_K с меньшей разрядностью. Размер базовой модели — 7B параметров; сведения о точной архитектуре, размере контекста и характеристиках мультимодальности не указаны. К сильным сторонам относятся поддержка потоковой обработки, несколько языков и интеграция с audio.cpp. Ограничения включают зависимость от совместимого рантайма audio.cpp, а также отсутствие в README данных о точности, задержке, требованиях к ресурсам и качестве разделения говорящих. Файлы распространяются по лицензии MIT.

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

VibeVoice ASR Streaming 7B GGUF for audio.cpp

This repository contains audio.cpp-native GGUF builds of microsoft/VibeVoice-ASR-Streaming-7B.

Use with audio.cpp

Install the recommended Q8_0 package through the audio.cpp model manager:

python3 tools/model_manager_v2.py install vibevoice_asr_streaming_7b_q8_0

Run offline ASR:

build/debug/bin/audiocpp_cli \
  --task asr \
  --family vibevoice_asr_streaming \
  --model models/VibeVoice-ASR-Streaming-7B-GGUF/vibevoice-asr-streaming-7b-q8_0.gguf \
  --backend cuda \
  --threads 8 \
  --audio input.wav \
  --text-out transcript.txt \
  --metrics \
  --log

Run the server with the model loaded:

{
  "host": "127.0.0.1",
  "port": 8080,
  "backend": "cuda",
  "threads": 8,
  "models": [
    {
      "id": "vibevoice-streaming-7b",
      "family": "vibevoice_asr_streaming",
      "path": "models/VibeVoice-ASR-Streaming-7B-GGUF/vibevoice-asr-streaming-7b-q8_0.gguf",
      "task": "asr",
      "mode": "streaming"
    }
  ]
}

Then start the server:

build/debug/bin/audiocpp_server --config server.json --log

For live streaming, send 16 kHz mono signed 16-bit PCM to the live endpoint:

ffmpeg -hide_banner -loglevel error -i input.wav -f s16le -ac 1 -ar 16000 - \
  | curl -N -X POST \
      -H 'Content-Type: application/octet-stream' \
      -H 'Transfer-Encoding: chunked' \
      -H 'Expect:' \
      -T - \
      'http://127.0.0.1:8080/v1/audio/transcriptions/live?model=vibevoice-streaming-7b&sample_rate=16000&channels=1&sample_format=s16le'

Files

FileFormatNotes
vibevoice-asr-streaming-7b-bf16.ggufBF16Highest precision package.
vibevoice-asr-streaming-7b-q8_0.ggufQ8_0Recommended package for audio.cpp.
vibevoice-asr-streaming-7b-q4_k.ggufQ4_KSmaller lower-bit package.

Each GGUF is self-contained and embeds the audio.cpp package spec and required sidecars.

Source and license

These GGUF files were converted from the upstream Hugging Face model:

The GGUF conversion preserves the upstream MIT license. See the upstream model card and Microsoft VibeVoice repository for the original model documentation, usage notes, and any responsible-use guidance.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
f1c4585

0 моделей