/ 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
27 апр 2026

higgs-audio-v3-8b-stt-v2

Распознавание речиАудио → текст9 профессий

Модель Boson AI на 8,91 млрд параметров преобразует монофоническую речь в WAV 16 кГц в текст.

2 880скачиваний за 30 дней15лайковвеса обновлены22 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 v2 — модель распознавания речи от Boson AI. Она сочетает замороженный аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-8B, дообученным с помощью LoRA и затем объединённым с базовыми весами. Всего в модели 8,91 млрд параметров; она принимает монофонический WAV с частотой 16 кГц и формирует текстовую транскрипцию.

Модель предназначена для преобразования речи в текст и оценки качества распознавания на разнообразных ASR-наборах. В README указана поддержка thinking mode для повышения точности; приведены результаты ESB Benchmark для AMI, Earnings22 и GigaSpeech. Метаданные указывают английский язык. Модель распространяется по лицензии Apache-2.0. Результаты в карточке ограничены указанными наборами и сами по себе не подтверждают качество для других языков или акустических условий.

Сценарии применения

  • транскрибация англоязычных аудиозаписей
  • распознавание речи в записях совещаний
  • подготовка текстовых расшифровок для аудиоданных
  • оценка качества ASR на речевых бенчмарках

Ограничения

В описании приведены результаты лишь для трёх наборов ESB, поэтому они не гарантируют качество на других типах аудио. Указанный входной формат — монофонический WAV с частотой 16 кГц.

Для каких профессий подходит9

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 v2

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-v2",
    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-v2")

# 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-v2", "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
AMI10.14%
Earnings228.73%
GigaSpeech8.47%
LibriSpeech Clean1.25%
LibriSpeech Other2.38%
SPGISpeech3.60%
TED-LIUM3.09%
VoxPopuli5.92%
Average5.449%

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
ac24d92

0 моделей