/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
17,8 ГБ
Лицензия
Apache 2.0
Архитектура
higgs_audio_3 · dense
Базовая модель
higgs-audio-v3-8b
Опубликована
30 мар 2026

higgs-audio-v3-8b-stt

Распознавание речиАудио → текст11 профессий

Модель Boson AI для преобразования речи в текст на основе энкодера Whisper-Large-v3 и декодера Qwen3-8B.

57скачиваний за 30 дней16лайковвеса обновлены29 мая 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

Higgs Audio v3 8B STT — модель распознавания речи от Boson AI, дообученная методом LoRA на разнообразных наборах данных для ASR. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и преобразует речь в текст. Архитектура объединяет замороженный энкодер Whisper-Large-v3 и декодер Qwen3-8B с объединёнными LoRA-весами; общий размер составляет 8,91 млрд параметров. Модель поддерживает режим Thinking для повышения точности.

В README приведены результаты на бенчмарке ESB, включая WER 6,23% на AMI, 11,33% на Earnings22 и 9,34% на GigaSpeech. Обучение использовало выборки AMI, SPGISpeech, Earnings22, VoxPopuli, LibriSpeech и TED-LIUM. Метаданные указывают английский язык и лицензию Apache-2.0; опубликованный формат весов — safetensors.

Сценарии применения

  • транскрибация аудиозаписей на английском языке
  • распознавание речи в записях совещаний
  • создание текстовых расшифровок подкастов и выступлений
  • оценка качества транскрибации на наборах ASR-бенчмарков

Ограничения

В README указан входной формат: монофонический WAV с частотой 16 кГц. В карточке заявлен английский язык; результаты на других языках не описаны.

Для каких профессий подходит11

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

Higgs Audio v3 8B STT

A speech-to-text model combining a Whisper-Large-v3 encoder with a Qwen3-8B decoder (8.91B total parameters), fine-tuned with LoRA on diverse ASR benchmarks.

Usage

import torch
import numpy as np
from transformers import AutoModel, AutoTokenizer

# Load model
model = AutoModel.from_pretrained(
    "bosonai/higgs-audio-v3-8b-stt",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
    attn_implementation="eager",
    device_map="cuda:0",
)
tokenizer = AutoTokenizer.from_pretrained("bosonai/higgs-audio-v3-8b-stt")

# Transcribe audio (16kHz mono numpy array)
from transformers.utils import cached_file
import importlib.util
spec = importlib.util.spec_from_file_location("transcribe", cached_file("bosonai/higgs-audio-v3-8b-stt", "transcribe.py", _raise_exceptions_for_connection_errors=False))
mod = importlib.util.module_from_spec(spec)
spec.loader.exec_module(mod)

audio_np = np.random.randn(16000).astype(np.float32)  # replace with your audio
text = mod.transcribe(model, tokenizer, audio_np)
print(text)

Requirements

torch
transformers>=4.51.0
whisper  # for audio preprocessing (WhisperProcessor)

Architecture

  • Encoder: Whisper-Large-v3 (frozen)
  • Decoder: Qwen3-8B (LoRA fine-tuned, merged)
  • Total parameters: 8.91B
  • Audio input: 16kHz mono WAV
  • Supports: Thinking mode for improved accuracy

Performance (ESB Benchmark — Full Scale, All Samples)

DatasetWER
AMI6.23%
Earnings2211.33%
GigaSpeech9.34%
LibriSpeech Clean1.24%
LibriSpeech Other2.34%
SPGISpeech3.14%
TED-LIUM3.14%
VoxPopuli5.63%
Average5.30%

Training Data

  • 10K AMI samples
  • 6K SPGISpeech
  • 5K Earnings22
  • 4K VoxPopuli
  • 3K LibriSpeech
  • 3K TED-LIUM

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
HiggsAudio3Model
Ревизия весов
ba07b28

0 моделей