/ Модель

Характеристики

Базовая модель
bagpiper
Библиотека
espnet
Опубликована
2 авг 2026

bagpiper-sft

Мультимодальная модель

Bagpiper SFT — дообученная аудиоязыковая модель ESPnet для понимания аудио, создания его текстовых описаний и генерации речи, музыки и звуков по тексту.

0скачиваний за 30 дней0лайковвеса 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

Bagpiper SFT — аудиоязыковая модель ESPnet с 8 млрд параметров, дообученная на базе espnet/bagpiper для открытого понимания аудио и генерации звука. Она принимает текст и аудио, формирует подробные текстовые описания аудио, а также генерирует речь, музыку, окружающие звуки и их сочетания по текстовому описанию.

Репозиторий содержит выбранный авторами статьи чекпойнт общего SFT, обученный для открытых аудиозадач с использованием подробных описаний. Весовой чекпойнт представлен в нативном формате ESPnet, в BF16 с восстановленным буфером FP32; для запуска нужны совместимая конфигурация и runtime ESPnet. В статье указаны результаты на тестах распознавания и понимания аудио, однако часть оценочных наборов имеет пересечение аудиофрагментов с обучающей выборкой, что следует учитывать при интерпретации результатов.

Модель может галлюцинировать или неверно распознавать речь; сгенерированное аудио может содержать артефакты, неправильные слова или небезопасный контент. У неё нет встроенной проверки фактов, водяных знаков, фильтра авторских прав или проверки согласия говорящего. Лицензия в предоставленных данных не указана.

Сценарии применения

  • транскрибация английской речи
  • создание подробных описаний аудиозаписей
  • ответы на открытые вопросы о содержании аудио
  • генерация речи по текстовому описанию
  • создание музыки и окружающих звуков по тексту

Ограничения

Модель может галлюцинировать и ошибаться при распознавании речи, а сгенерированное аудио может содержать артефакты или небезопасный контент. Нет встроенной проверки фактов, водяных знаков, фильтра авторских прав или контроля согласия говорящего; оценочные результаты нужно интерпретировать с учётом пересечения данных тестов с обучающей выборкой.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bagpiper SFT

Bagpiper is an 8B audio foundation model for open-ended audio understanding and generation through rich captions. It accepts text and audio and can return text or generate speech, music, environmental sounds, and mixtures of them.

This repository contains the paper-selected general-SFT checkpoint from Bagpiper: Solving Open-Ended Audio Tasks via Rich Captions.

Files and format

  • model.pt: native ESPnet weight-only checkpoint, stored as {"module": state_dict}.
  • train_stage3_qwen3_base.yaml: checkpoint-compatible model configuration, named consistently with the pre-trained espnet/bagpiper release.
  • inference_text.yaml: audio-understanding/text-output decoding.
  • inference_audio.yaml: text-then-audio generation decoding.
  • MANIFEST.json and SHA256SUMS: provenance and integrity records.

model.pt contains 1,382 tensors: the 1,381 BF16 tensors from training plus the deterministically reconstructed FP32 vocab_weight buffer required by the current strict ESPnet loader. It contains no optimizer or exact-resume state. It is not a Transformers from_pretrained directory and no vLLM compatibility is claimed.

Download

hf download espnet/bagpiper-sft --local-dir bagpiper-sft
sha256sum -c bagpiper-sft/SHA256SUMS

ESPnet runtime

The release was strict-loaded with:

  • ESPnet PR #6503, commit 1992821bfb6d68c6636d1b75340b8b2b591bc015;
  • Python 3.11.15, PyTorch 2.12.1+cu129, Transformers 5.5.4;
  • FlashAttention-3 3.0.0 at source commit 77aacb68d194ba9af1010eda5eac3e7c0df8e6f6; and
  • one NVIDIA H100 80GB HBM3.
git clone --branch titan-pt-weightonly-init https://github.com/jctian98/espnet.git
cd espnet
git checkout 1992821bfb6d68c6636d1b75340b8b2b591bc015
python -m pip install -e '.[speechlm]'
python -m pip install --no-build-isolation \
  'flash-attn-3 @ git+https://github.com/Dao-AILab/flash-attention.git@77aacb68d194ba9af1010eda5eac3e7c0df8e6f6#subdirectory=hopper'

Use espnet2/speechlm/bin/inference.py with train_stage3_qwen3_base.yaml, one of the supplied inference YAMLs, and model.pt. Training backend configuration belongs to the ESPnet recipe and is not duplicated in this model repository.

Paper-reported results

These values are from the paper's checkpoint and evaluation protocols; they were not rerun as part of the Hub upload.

EvaluationResult
LibriSpeech test-clean WER2.5
MMAU-Mini74.5
MMAU73.1
MMAR57.0
AIR-Bench chat6.57
AudioBench aggregate70.39
General-model TTS WER2.7

The paper reports audio-fingerprint overlap between the SFT pool and 12.8% of AudioBench and 3.2% of AIR-Bench evaluation clips. Interpret those results with this disclosure.

Provenance and validation

  • Selected checkpoint: step_270000/global_step269985.
  • Raw source: JinchuanTian/bagpiper_sft at revision b11d5a0c11ad488edd04e3734d4bdff764977f57.
  • Raw SHA-256: e0d8fdd57c8cb8c938cd61ada43b20e469d9cea33ad8450e0971f80d4f9667b6.
  • model.pt SHA-256: 50980756fad38bbefeb326ac0012e39f431ec5af8c0caaac8bd254f179f33746.
  • All 1,381 source tensors matched the converted file exactly with torch.equal; the only added key was vocab_weight.
  • The 1,382-entry state dict passed the native ESPnet strict inference loader.

Limitations and responsible use

Understanding can hallucinate or mistranscribe. Generated audio can contain artifacts, wrong words, unsafe content, or unintended resemblance to people and styles. Most reported evaluations are English and some rely on model judges. The model has no built-in watermark, factuality verifier, copyright filter, or speaker-consent check. Do not use it for impersonation, deceptive media, surveillance, biometric authentication, or high-stakes automated decisions.

Training-data availability and terms are documented at Bagpiper SFT Data. Third-party component terms are listed in THIRD_PARTY_NOTICES.md.

Citation

@inproceedings{anonymous2026bagpiper,
  title={Bagpiper: Solving Open-Ended Audio Tasks via Rich Captions},
  author={Jinchuan Tian and Haoran Wang and Bo-Hao Su and Chien-yu Huang and
          Qingzheng Wang and Jiatong Shi and William Chen and Xun Gong and
          Siddhant Arora and Chin-Jou Li and Masao Someki and Takashi Maekaku and
          Keita Goto and Yusuke Shinohara and Jin Sakuma and
          Chao-Han Huck Yang and Shinji Watanabe},
  booktitle={Third Conference on Language Modeling},
  year={2026},
  url={https://openreview.net/forum?id=FuHs64E3X6}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · espnet

Нельзя запустить

Модели ESPnet требуют отдельного рантайма.

Ревизия весов
5646600

0 моделей