/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Архитектура
edgeinstant · dense
Библиотека
transformers
Опубликована
22 сен 2026

EdgeIn-v3

Генерация текстаТекст → текст5 профессий

EdgeIn-v3 объединяет распознавание и понимание аудио с генерацией текста и речи на китайском и английском языках.

32скачиваний за 30 дней0лайковвеса обновлены22 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-v3 — мультимодальная модель семейства EdgeInstant, опубликованная chenjz24. Она объединяет аудиоэнкодер Qwen3-ASR, обученный аудиопроектор, Qwen3.5 Thinker, компактный Talker с нативными токенами и декодер Qwen3-TTS для генерации звуковой волны. Модель принимает монофоническое аудио с частотой 16 кГц и текст; выдаёт текст и аудио с частотой 24 кГц. Поддерживаются китайский и английский языки, а аудио может быть длиннее 30 секунд.

Модель предназначена для распознавания речи, аудиообусловленного диалога и потоковой генерации речи из текста. Для загрузки требуется Transformers 5.12.1 и включение пользовательского кода через trust_remote_code=True. Потоковая речь использует фиксированный встроенный голос и обрабатывает за один вызов одну беседу; для синтеза доступны китайский, английский и автоматический выбор языка. Веса и токенизаторы компонентов Qwen включены, лицензии Qwen и условия LICENSE.codec применяются к соответствующим компонентам.

Сценарии применения

  • транскрибация китайской и английской речи
  • ответы на вопросы по входной аудиозаписи
  • потоковый голосовой диалог на основе аудио
  • синтез китайской речи из текста
  • синтез английской речи из текста

Ограничения

Для аудиовхода требуется монофонический сигнал 16 кГц; сгенерированное аудио имеет частоту 24 кГц. Встроенный голос фиксирован, а потоковая генерация речи и аудиообусловленная генерация обрабатывают по одной беседе за вызов.

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

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 and 16 kHz. The processor retains complete waveforms, including recordings longer than 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

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

Класс архитектуры
EdgeInstantForConditionalGeneration
Ревизия весов
d81a465

0 моделей