/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
5,4 ГБ
Лицензия
Apache 2.0
Архитектура
higgs_audio_3 · dense
Базовая модель
higgs-audio-v3-stt
Библиотека
transformers
Опубликована
20 апр 2026

higgs-audio-v3-stt-v2

Распознавание речиАудио → текст12 профессий

Англоязычная модель Boson AI для преобразования речи в текст, дообученная на базе Higgs Audio Understanding v3 1.7B.

167скачиваний за 30 дней12лайковвеса обновлены20 апр 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

bosonai/higgs-audio-v3-stt-v2 — англоязычная модель распознавания речи Boson AI на архитектуре HiggsAudio3. Это дообученный чекпойнт bosonai/higgs-audio-understanding-v3-1.7b, в который слиты веса LoRA ранга 64 и alpha 128. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу automatic-speech-recognition и формат safetensors.

Модель предназначена для транскрибирования английской речи. В обучающую смесь вошли части AMI IHM, GigaSpeech, LibriSpeech, SpgiSpeech, TED-LIUM и VoxPopuli; для Earnings22 данные пропускались. В README приведены результаты оценки WER на AMI, Earnings-22 и GigaSpeech по методике Open ASR Leaderboard.

Модель распространяется по лицензии Apache-2.0. Результаты зависят от записи и условий распознавания; сведения об ограничениях качества за пределами приведённых оценок в карточке не представлены.

Сценарии применения

  • транскрибация английских встреч и совещаний
  • расшифровка англоязычных подкастов и выступлений
  • преобразование записей лекций в текст
  • распознавание речи в аудиозаписях для последующего поиска

Ограничения

В README приведены оценки WER только для отдельных тестовых наборов; качество на других языках, типах аудио и условиях записи не охарактеризовано.

Для каких профессий подходит12

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-v3-1.7b-stt-v2

This is bosonai/higgs-audio-understanding-v3-1.7b (checkpoint-65000) with a LoRA (rank=64, alpha=128) merged into the base weights. The LoRA was trained on a curated ASR mix (AMI IHM train, Earnings22 skipped, GigaSpeech XS train, LibriSpeech train.100 + train.500, SpgiSpeech S train, TEDLium train, VoxPopuli-en train). No ESB test data was used in training.

Reported result (Open ASR Leaderboard methodology)

DatasetWER (%)
AMI10.03
Earnings-228.95
GigaSpeech8.16
LibriSpeech clean1.39
LibriSpeech other2.80
SPGISpeech3.76
TED-LIUM2.76
VoxPopuli6.07
Macro avg5.49

Evaluated with the official run_eval_higgs_audio.py script, max_new_tokens=1024, greedy decoding, Whisper English normalizer.

Usage

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

model = AutoModel.from_pretrained(
    "bosonai/higgs-audio-v3-stt-v2",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
    attn_implementation="eager",
    device_map="cuda:0",
)
tok = AutoTokenizer.from_pretrained("bosonai/higgs-audio-v3-stt-v2")
model.audio_out_bos_token_id = tok.convert_tokens_to_ids("<|audio_out_bos|>")
model.audio_eos_token_id     = tok.convert_tokens_to_ids("<|audio_eos|>")

# Load bundled transcribe.py
from transformers.utils import cached_file
import runpy, os, sys
path = cached_file("bosonai/higgs-audio-v3-stt-v2", "transcribe.py")
for f in ["higgs_audio_collator.py","modeling_higgs_audio_xcodec.py","utils.py","common.py","configuration_higgs_audio.py"]:
    cached_file("bosonai/higgs-audio-v3-stt-v2", f)
sys.path.insert(0, os.path.dirname(path))
transcribe_batch = runpy.run_path(path)["transcribe_batch"]

audio, sr = sf.read("example.wav")
print(transcribe_batch(model, tok, [audio.astype(np.float32)], sample_rates=sr))

Reproducing the benchmark

git clone https://github.com/huggingface/open_asr_leaderboard
cd open_asr_leaderboard
python run_eval_higgs_audio.py \
    --model_id bosonai/higgs-audio-v3-stt-v2 \
    --dataset_path hf-audio/open-asr-leaderboard-sorted \
    --dataset ami --split test --device 0 --batch_size 4

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
HiggsAudio3Model
Ревизия весов
0f3b4f4

0 моделей