/ Модель

Характеристики

Лицензия
MIT
Базовая модель
VibeVoice-ASR-BitNet
Библиотека
crispasr
Опубликована
25 июл 2026

vibevoice-asr-bitnet-GGUF

Распознавание речиАудио → текст6 профессий

VibeVoice-ASR-BitNet GGUF — конверсия модели microsoft/VibeVoice-ASR-BitNet в формат GGUF для использования с CrispASR.

2 568скачиваний за 30 дней3лайкавеса обновлены2 авг 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

Это модель автоматического распознавания речи, предназначенная для преобразования 24 кГц моноаудио в текст, в том числе при локальном запуске через CrispASR, C API или Python. Поддерживаются английский, китайский, французский, итальянский, корейский, португальский и вьетнамский языки.

Архитектура включает двойной VAE-энкодер и декодер на базе Qwen2. Базовая модель содержит 1,5 млрд параметров; языковая модель имеет 28 слоёв, скрытое представление размером 1536, 12 attention-голов и 2 KV-головы. Аудиообработку выполняет ConvNeXt-подобный одномерный CNN-энкодер с акустическим представлением 64d и семантическим представлением 128d. Доступны варианты размером от 1,05 до 1,55 ГБ с разной степенью квантования; проекции LM используют тернарное квантование TQ2_0, а VAE и embedding — Q4_0, Q5_0, Q8_0 или F16.

По данным README, все варианты показали идентичный результат транскрибации на тестовом аудио JFK, включая наиболее компактный вариант aggro, однако подтверждение качества ограничено этим тестом. Модель ориентирована на эффективное локальное распознавание речи с уменьшенным размером файлов и стандартной поддержкой ggml, но README не содержит сведений о точности на широком наборе данных, задержке, устойчивости к шуму или поддержке других аудиоформатов. Распространяется по лицензии MIT; репозиторий содержит только конверсию и квантование исходных весов без дообучения или изменения архитектуры.

Для каких профессий подходит6

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

VibeVoice-ASR-BitNet GGUF

GGUF conversion of microsoft/VibeVoice-ASR-BitNet for use with CrispASR.

Available files

All variants use TQ2_0 (ternary 2-bit) for the LM projection weights. They differ in how aggressively the VAE encoder and LM embedding are quantized. All produce identical transcription output on the JFK benchmark.

FileVAEEmbedSizeRecommended
vibevoice-asr-bitnet-tq2.ggufQ8_0F161.55 GBdefault
vibevoice-asr-bitnet-embed-q8.ggufQ8_0Q8_01.34 GB
vibevoice-asr-bitnet-vae-q5.ggufQ5_0F161.33 GB
vibevoice-asr-bitnet-both-q5.ggufQ5_0Q8_01.12 GB
vibevoice-asr-bitnet-vae-q4.ggufQ4_0F161.26 GB
vibevoice-asr-bitnet-aggro.ggufQ4_0Q8_01.05 GBsmallest

Pick any file -- quality is identical across all variants (verified via transcription roundtrip on JFK audio). The aggro variant is 35% smaller than the default with zero degradation.

Model Details

PropertyValue
Base modelmicrosoft/VibeVoice-ASR-BitNet (1.5B params)
ArchitectureDual VAE encoder + Qwen2 LM decoder
LM28 layers, 1536 hidden, 12 heads, 2 KV heads
VAEConvNeXt-style 1D CNN, stride 3200, acoustic (64d) + semantic (128d)
Input24 kHz mono PCM
LanguagesEnglish, Chinese, French, Italian, Korean, Portuguese, Vietnamese
LicenseMIT

Quantization strategy

The LM projection weights (q/k/v/o/gate/up/down) are BitNet-trained with ternary values {-1, 0, 1}. The converter applies the ternary quantization (s = 1/mean(|w|), round, clamp) and packs into ggml's native TQ2_0 format (2.06 bpw). No custom SIMD kernels needed -- standard ggml mul_mat handles TQ2_0 transparently.

ComponentQuant optionsNotes
LM projectionsTQ2_0 (all variants)BitNet ternary, 2 bits/weight
VAE encodersQ8_0 / Q5_0 / Q4_0ConvNeXt conv + FFN weights
LM embeddingF16 / Q8_0Lookup table, Q8_0 is lossless
Norms / biasesF32 (all variants)Numerical stability
lm_headtied to tok_emb (not stored)Backend falls back automatically

Quality verification

All 6 variants were tested on JFK audio (11s, 24 kHz). Every variant produces identical output:

ANd so, my fellow Americans, ask not what your country can do for you -- ask what you can do for your country..

Sweep ran on Kaggle (30 GB RAM, CPU). Conversion + transcription took ~20 min total for all 6 variants.

Usage

CLI

# Auto-download (uses the default tq2 variant)
crispasr -m auto --backend vibevoice-bitnet -f audio.wav

# Or with a specific file
crispasr -m vibevoice-asr-bitnet-aggro.gguf --backend vibevoice -f audio.wav

C API

#include "vibevoice.h"

vibevoice_context_params params = vibevoice_context_default_params();
params.n_threads = 4;
vibevoice_context *ctx = vibevoice_init_from_file("vibevoice-asr-bitnet-aggro.gguf", params);
char *text = vibevoice_transcribe(ctx, samples_24khz, n_samples);
printf("%s\n", text);
free(text);
vibevoice_free(ctx);

Python

import crispasr
s = crispasr.Session("vibevoice-asr-bitnet-aggro.gguf", backend="vibevoice")
result = s.transcribe("audio.wav")
print(result["text"])

Conversion

# Default (Q8_0 VAE + F16 embed)
python models/convert-vibevoice-bitnet-to-gguf.py \
    --input microsoft/VibeVoice-ASR-BitNet \
    --output vibevoice-asr-bitnet-tq2.gguf

# Aggressive (Q4_0 VAE + Q8_0 embed, 1.05 GB)
python models/convert-vibevoice-bitnet-to-gguf.py \
    --input microsoft/VibeVoice-ASR-BitNet \
    --output vibevoice-asr-bitnet-aggro.gguf \
    --vae-quant q4_0 --embed-quant q8_0

Acknowledgements

Provenance and EU AI Act Art. 53 note

  • Upstream model: microsoft/VibeVoice-ASR-BitNet — published by microsoft.
  • Upstream licence: mit. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository. No training-content summary was found on the upstream model card at the time of writing; that documentation gap is upstream's and is not filled here.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм · crispasr

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
f5fdbff

0 моделей