/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
10 авг 2026

qwen3-1.7b-omnitoken-ckpt23447

Генерация текстаТекст → текст4 профессии

Исследовательский чекпойнт Qwen3 на 1,7 млрд параметров для генерации текста, распознавания речи и синтеза речи.

20скачиваний за 30 дней0лайковвеса обновлены11 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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 исследовательский чекпойнт Qwen3 плотной авторегрессионной архитектуры с 1,7 млрд параметров, разработанный dsinghvi; он использует общий токенизатор для текста и аудиотокенов. Модель предназначена для генерации текста и речевых сценариев: синтеза речи из текста, распознавания речи, продолжения текстовой или речевой последовательности и преобразования речи в речь. Аудиокодирование и декодирование выполняется SNAC 24 кГц; для синтеза можно использовать аудио-пример для голосового кондиционирования.

Карточка описывает итерацию обучения 23 447 и отмечает, что синтез речи дал слышимые результаты в тестах проекта. Распознавание речи и межмодальное продолжение пока экспериментальны: результаты могут быть низкого качества, повторяться или отсутствовать. Чекпойнт не включает аудиофайлы; входное или референсное аудио нужно предоставить отдельно. Лицензия — Apache-2.0.

Сценарии применения

  • синтез речи из текста
  • распознавание речи в аудио
  • продолжение текстовой последовательности по аудио
  • продолжение речи по аудио-примеру
  • преобразование речи в речь

Ограничения

В README сказано, что качество распознавания речи и межмодального продолжения экспериментальное: возможны плохие, повторяющиеся или беззвучные результаты. Для синтеза и обработки речи требуется предоставить аудиофайлы; модель не предназначена для производственного использования.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3 1.7B Omni-token checkpoint 23447

MV text and mv text converted to audio using qwen3-0.6b with 8 voices.

mv text : 110B interleaved (text , audio): ~6.75B Speech → speech : ~6.75B Speech → text continuatio : ~6.75B Text → speech continuation : ~6.75B Direct STT : 5B Direct TTS : 5B

This is iteration 23,447 of a dense Qwen3 1.7B architecture trained with one shared autoregressive vocabulary for text, <listen> input tokens, and <speak> output tokens. The package includes the expanded tokenizer and portable inference code for:

  • text to speech (TTS)
  • speech to text (STT)
  • text to speech continuation
  • speech to text continuation
  • speech to speech continuation

The checkpoint and scripts contain no audio files. Supply your own input/reference audio at runtime. Audio is encoded and decoded with hubertsiuzdak/snac_24khz, which is downloaded on first use unless already cached.

Install

Use Python 3.11 and install the correct PyTorch build for your CPU or CUDA platform first. The versions in requirements.txt are the tested environment; if the pinned PyTorch wheel is unavailable for your platform, install the matching build from PyTorch and then install the remaining packages.

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Generate

All speech outputs are 24 kHz WAV files. Reference audio is used for voice conditioning and may be WAV, FLAC, Opus, or another format supported by SoundFile/FFmpeg.

# TTS in a supplied reference voice
python inference.py --task tts \
  --reference-audio /path/to/reference.flac \
  --text "The model is speaking this sentence." \
  --output generated.wav

# STT
python inference.py --task stt \
  --audio /path/to/input.opus \
  --output transcript.txt

# Continue text as speech in a supplied reference voice
python inference.py --task text-speech-continuation \
  --text "The first part of the document ends here." \
  --reference-audio /path/to/reference.flac \
  --output continuation.wav

# Continue speech as text
python inference.py --task speech-text-continuation \
  --audio /path/to/excerpt.opus \
  --output continuation.txt

# Continue speech as speech
python inference.py --task speech-speech-continuation \
  --audio /path/to/excerpt.opus \
  --output continuation.wav

When the files are downloaded from Hugging Face into another directory, pass either that local directory or the repository ID:

python inference.py --model ORG/REPOSITORY --task tts \
  --reference-audio reference.flac --text "Hello." --output hello.wav

Useful controls include --greedy, --temperature, --top-p, --repetition-penalty, --max-new-tokens, --device, and --dtype. --local-files-only prevents network access once both this model and the SNAC codec are cached.

Media-token contract

Input audio uses SNAC levels 0 and 1 packed as three tokens per base frame inside <listen>...</listen>. Generated speech uses all seven SNAC code streams per base frame inside <speak>...</speak>. The tokenizer validates these reserved token IDs before loading the model, preventing accidental use with an incompatible tokenizer.

Limitations

This is a research checkpoint, not a production speech system. TTS has produced audible outputs in project testing. STT and cross-modal continuation quality remain experimental and can be poor, repetitive, or silent for some prompts and references. Generated speech should be reviewed before use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
fae647e

0 моделей