/ Модель

Характеристики

Библиотека
transformers
Опубликована
8 сен 2026

EdgeIn

Распознавание речиАудио, текст → текст

EdgeIn объединяет распознавание аудио, генерацию текста и синтез речи с потоковым выводом текста и аудио.

0скачиваний за 30 дней1лайквеса обновлены8 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

EdgeIn — составная аудиотекстовая модель, представленная chenjz24. Она объединяет аудиоэнкодер Qwen3-ASR, обученный AudioIn-проектор, Qwen3.5 Thinker, Talker с компактными нативными токенами, условия голоса и декодер звуковой волны Qwen3-TTS. В репозитории включены веса, соответствия токенов и процессоры ввода; для загрузки используется Transformers с пользовательским кодом модели.

Модель принимает монофоническое аудио с частотой 16 кГц длительностью до 30 секунд и текст. Она поддерживает распознавание речи, генерацию текста по аудио и потоковую генерацию текста и речи; синтезированное аудио выдаётся с частотой 24 кГц. Доступны китайский, английский и автоматический выбор языка для синтеза. В комплекте только один фиксированный голос, а потоковая генерация речи и аудио работает с одним диалогом за вызов.

Компоненты Qwen могут иметь отдельные условия лицензирования; код адаптированного декодера Qwen3-TTS распространяется по лицензии из LICENSE.codec. README не сообщает о подтверждённых результатах оценки качества.

Сценарии применения

  • распознавание речи из монофонических аудиозаписей
  • генерация ответа на основе входного аудио
  • синтез речи из текста на китайском или английском языке
  • потоковая генерация текста и речи в диалоге
  • синтез речи из последовательности нативных токенов Thinker

Ограничения

Входное аудио должно быть монофоническим, с частотой 16 кГц и длительностью не более 30 секунд; для синтеза встроен фиксированный голос. Потоковая генерация речи и аудио поддерживает только один диалог за вызов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EdgeInstant AudioIn / Thinker / Talker

This model combines the Qwen3-ASR audio encoder, trained AudioIn projection and Qwen3.5 Thinker, compact native-token Talker, speaker conditions, and Qwen3-TTS waveform decoder. All weights, token mappings and input processors are included. Inference uses one Transformers 5.12.1 environment.

Install the dependencies in requirements.txt. The package uses custom modeling code, so load it with trust_remote_code=True.

import soundfile as sf
from transformers import AutoModel, AutoProcessor

path = "/path/to/EdgeInstant-1.5b-hf"
processor = AutoProcessor.from_pretrained(path, trust_remote_code=True)
model = AutoModel.from_pretrained(
    path, trust_remote_code=True, dtype="auto", device_map="cuda:0",
).eval()

waveform, sample_rate = sf.read("question.wav", dtype="float32")
inputs = processor(audio=waveform, sampling_rate=sample_rate).to("cuda:0")
reply = model.generate_speech(**inputs, max_new_tokens=256, do_sample=False)
print(processor.decode(reply["text_token_ids"], skip_special_tokens=True))
sf.write("reply.wav", reply["audio"].cpu().numpy(), reply["sampling_rate"])

Input audio must be mono, 16 kHz and at most 30 seconds. Output audio is 24 kHz. The bundled speaker is fixed. Keep the loaded dtype: the AudioIn projector and special-token deltas use FP32; the other weights use BF16.

Text-only input uses processor(text="你好"). For transcription, pass task="asr" to the processor and call model.generate(**inputs); generated sequences include the prompt, following the Hugging Face causal LM convention. AutoModelForCausalLM loads the same class.

model.synthesize(token_ids, language="chinese") speaks a sequence of native Thinker tokens. language also accepts "english" and "auto".

inputs = processor(text="请用一句话介绍你自己。").to("cuda:0")
for event in model.stream_generate(**inputs):
    if event["type"] == "text":
        print(processor.decode([event["token_id"]]), end="", flush=True)
    elif event["type"] == "audio":
        # Consecutive float32 waveform chunks, ready for a 24 kHz audio sink.
        audio_chunk = event["audio"].numpy()

Speech and streaming generation accept one conversation at a time. Text generation and audio-conditioned forward support batches. forward(..., labels=...) returns the Thinker language-model loss. Acoustic training remains in the repository's Talker training scripts. Streaming uses greedy Thinker decoding and the native Talker state machine, with configurable packet size and decoder context.

The model contains Qwen components and weights; their respective licenses apply. The adapted Qwen3-TTS decoder code is covered by LICENSE.codec.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
e8c2e4c

0 моделей