/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
wav2vec2 · dense
Опубликована
6 сен 2026

omniASR-CTC-300M-encoder

Обработка аудиоАудио → аудио3 профессии

Отдельный аудиоэнкодер omniASR в формате bfloat16 преобразует речь в плотные акустические представления для последующей обработки или распознавания.

11скачиваний за 30 дней0лайковвеса обновлены6 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

giangndm/omniASR-CTC-300M-encoder — отдельный аудиоэнкодер, извлечённый из facebook/omniASR-CTC-300M и представленный в формате SafeTensors с точностью bfloat16. Модель совместима с Wav2Vec2Model и AutoModel из Hugging Face Transformers и не требует Fairseq2.

Энкодер предназначен для преобразования аудиосигнала в плотные акустические представления. Архитектура включает 24 слоя Transformer/Conformer с 16 головами внимания, размер скрытого состояния 1024 и FFN размером 4096; семислойный свёрточный экстрактор уменьшает временное разрешение аудио в 320 раз, выдавая представления с частотой 50 кадров в секунду. В метаданных указано 402,7 млн параметров.

Репозиторий содержит только аудиоэнкодер, поэтому сам по себе он не выдаёт текст транскрипции и требует дополнительной CTC-головы или другого декодера для распознавания речи. Модель основана на facebook/omniASR-CTC-300M и обучена на датасете facebook/omniASR; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • Извлечение акустических представлений из речевых записей
  • Подготовка аудиопризнаков для CTC-декодера
  • Создание аудиоэмбеддингов для downstream-задач
  • Исследование многоязычных речевых представлений

Ограничения

Репозиторий содержит энкодер без CTC-головы или декодера, поэтому для получения транскрипции нужны дополнительные компоненты. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Для каких профессий подходит3

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

Meta omniASR-CTC-300M Standalone Audio Encoder (bfloat16 SafeTensors)

This repository provides the standalone bfloat16 safetensors Audio Encoder extracted from facebook/omniASR-CTC-300M.

It is $100%$ natively compatible with Hugging Face transformers.Wav2Vec2Model and transformers.AutoModel without requiring Fairseq2 or complex custom dependencies.


📐 Architecture & Technical Specifications

ParameterValueDetailed Description
Audio Tower Architecture24 Transformer/Conformer Layers (16 heads, FFN 4096)300M Parameter Omnilingual Audio Encoder
Feature Dimension (Hidden Size)1024-dimContinuous dense acoustic representations (last_hidden_state)
Frame Rate50 frames/s (20ms / frame)$320\times$ raw audio temporal downsampling ($16000 / 320 = 50\text{Hz}$)
Input Audio Front-End16 kHz Raw Waveforms7-layer 1D Temporal Convolution ($5\times 2\times 2\times 2\times 2\times 2\times 2 = 320\times$)
Language Coverage1,600+ LanguagesPre-trained across global language families
Weight Format & Precisionmodel.safetensors (bfloat16)Lightweight standalone package: ~631 MB

💻 Quick Start with Hugging Face transformers

import torch
import torchaudio
from transformers import AutoFeatureExtractor, AutoModel

# 1. Load Standalone Encoder from Hugging Face
model_id = "giangndm/omniASR-CTC-300M-encoder"
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id, torch_dtype=torch.bfloat16).to("cuda")
model.eval()

# 2. Load Any 16kHz Audio File
waveform, sr = torchaudio.load("path/to/audio.wav") # [1, T_samples]
if sr != 16000:
    resampler = torchaudio.transforms.Resample(sr, 16000)
    waveform = resampler(waveform)

inputs = feature_extractor(waveform.squeeze(0).numpy(), sampling_rate=16000, return_tensors="pt")
input_values = inputs.input_values.to("cuda").to(torch.bfloat16)

# 3. Extract 50Hz Dense Audio Representations
with torch.no_grad():
    outputs = model(input_values)
    audio_embeds = outputs.last_hidden_state # [1, T_frames, 1024] at 50 Hz

print("Audio Embeddings Shape:", audio_embeds.shape)
# Example: 1-second audio -> torch.Size([1, 49, 1024])

📦 Key Components Inside:

  • feature_extractor: 7 temporal convolutional layers with layer normalization downsampling raw audio $320\times$.
  • feature_projection: Linear layer projecting 512-dim conv features to 1024-dim model space.
  • encoder.pos_conv_embed: Depthwise convolutional positional embedding.
  • encoder.layers.0 ... encoder.layers.23: 24 Transformer self-attention layers with Pre-LayerNorm and GELU FFNs.
  • encoder.layer_norm: Final LayerNorm of the Audio Tower.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
Wav2Vec2Model
Ревизия весов
6d9c6a4

0 моделей