/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
31 авг 2026

omniASR-LLM-300M-encoder

ЭмбеддингиТекст → embedding3 профессии

Многоязычный аудиоэнкодер на базе Wav2Vec2 извлекает 1024-мерные представления речи для последующей обработки и распознавания.

11 790скачиваний за 30 дней0лайковвеса обновлены31 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 «Эмбеддинги» — 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

giangndm/omniASR-LLM-300M-encoder — отдельная аудиоэнкодерная часть omniASR-LLM-300M, опубликованная в формате bfloat16 SafeTensors. Модель основана на архитектуре Wav2Vec2 с Conformer-подобным SSL-энкодером из 24 слоёв, 16 головами внимания и размером скрытого представления 1024; в метаданных указано около 402,7 млн параметров. Она совместима с Transformers через AutoModel, Wav2Vec2Model и AutoFeatureExtractor.

Энкодер принимает аудио с частотой дискретизации 16 кГц и выдаёт векторные представления размерности 1024 с частотой 50 кадров в секунду, то есть один кадр каждые 20 мс. Модель предназначена для извлечения признаков речи, которые могут служить входом для последующих задач распознавания и анализа речи; карточка связывает её с многоязычным корпусом Omnilingual ASR. Лицензия — Apache-2.0. В репозитории опубликован именно энкодер, поэтому он сам по себе не выдаёт транскрипты и для прикладного распознавания речи потребуется декодер или другая последующая модель.

Сценарии применения

  • извлечение признаков из аудио речи
  • подготовка представлений речи для системы распознавания
  • построение многоязычного ASR-конвейера
  • анализ кадровых представлений речевого сигнала

Ограничения

Модель выдаёт кадровые векторные представления, а не готовую транскрипцию; для распознавания нужен декодер или дополнительная модель. Указанная частота входного аудио — 16 кГц.

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

omniASR-LLM-300M Audio Encoder (bfloat16 Transformers SafeTensors)

This repository contains the standalone bfloat16 safetensors Audio Encoder extracted from ziywang50/omniASR-LLM-300M / facebook/omniASR-LLM-300M.

It is $100%$ natively compatible with the Hugging Face transformers library (AutoModel / Wav2Vec2Model / AutoFeatureExtractor).

Specifications:

  • Architecture: Wav2Vec2Model (Conformer-based SSL 24 layers, 16 heads, 1024 hidden size)
  • Precision: bfloat16
  • Model Size: ~630 MB (model.safetensors)
  • Sampling Rate: 16 kHz
  • Output: 50 Hz frame representations (20ms/frame) in $\mathbb{R}^{1024}$

Usage with Hugging Face transformers:

import torch
from transformers import AutoFeatureExtractor, AutoModel

# 1. Load Audio Feature Extractor and Encoder
model_id = "giangndm/omniASR-LLM-300M-encoder"
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id, torch_dtype=torch.bfloat16).to("cuda")

# 2. Extract Speech Embeddings
audio_input = torch.randn(1, 16000) # 1 sec dummy audio at 16kHz
inputs = feature_extractor(audio_input.squeeze().numpy(), sampling_rate=16000, return_tensors="pt").to("cuda")
inputs["input_values"] = inputs["input_values"].to(torch.bfloat16)

with torch.no_grad():
    hidden_states = model(**inputs).last_hidden_state  # [1, T_frames, 1024]

print("Audio hidden states shape:", hidden_states.shape) # [1, 49, 1024]

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2Model
Ревизия весов
acf827a

0 моделей