/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Dasheng-AudioGen
Библиотека
ggml
Опубликована
13 июл 2026

Dasheng-AudioGen-GGUF

Генерация аудиоТекст → аудио3 профессии

GGUF-сборка Dasheng-AudioGen создаёт речь, музыку и другие звуки по текстовому описанию для запуска через thinksound.cpp.

44скачиваний за 30 дней1лайквеса обновлены13 июл 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

Dasheng-AudioGen-GGUF — версия модели mispeech/Dasheng-AudioGen в формате GGUF, подготовленная ilintar для запуска через C++/GGML-рантайм thinksound.cpp. Модель преобразует текстовое описание в аудио: Flan-T5-Large кодирует текст, адаптер предсказывает содержание и длительность, LayerFusionAudioDiT формирует аудиолатенты, а декодер Vocos выдаёт монофонический звук с частотой 16 кГц. Генерация выполняется с помощью 25-шагового flow-matching-сэмплера.

Пакет включает веса аудиомодели, декодера и текстового энкодера; заявлена работа на CPU, ROCm/HIP и Vulkan, а соответствие PyTorch-версии проверено поэтапным сравнением. Модель подходит для создания речи, музыки, звуковых эффектов и фоновых звуков по описанию. Длительность результата предсказывается моделью и может не совпасть с запрошенной. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • создание речи по текстовому описанию
  • генерация музыки по текстовому запросу
  • создание звуковых эффектов
  • генерация фоновых и окружающих звуков
  • локальный синтез аудио через C++/GGML

Ограничения

Длительность аудио предсказывается моделью, поэтому запрошенная длительность не гарантирует длину результата. Для запуска нужны все компоненты GGUF и рантайм thinksound.cpp.

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

Dasheng-AudioGen — GGUF

GGUF weights for mispeech/Dasheng-AudioGen, a text→audio generation model, packaged for the C++/GGML runtime thinksound.cpp.

The port is verified faithful to the PyTorch reference (stage-by-stage parity, and the generated audio matches the reference character and amplitude). It runs on CPU, ROCm/HIP, and Vulkan.

Pipeline

text → Flan-T5-Large → content adapter (cross-attn + duration predictor)
     → LayerFusionAudioDiT (U-Net flow-matching, 25-step sway sampler, CFG)
     → Vocos decoder (×2 upsampler → ConvNeXt → ISTFT)
     → 16 kHz mono audio

The latent length is the model's predicted duration (from the adapter's global_duration head); the requested duration does not force the output length.

Files

FileSizeContents
dasheng-dit.gguf8.7 GBLayerFusionAudioDiT backbone and the content adapter (loaded via tensor-name filter)
dasheng-decoder.gguf696 MBVocos decoder (upsampler + ConvNeXt + ISTFT head)
flan-t5-large-f32.gguf1.4 GBFlan-T5-Large text encoder (google/flan-t5-large)
flan-t5-tokenizer.gguf650 KBT5 SentencePiece tokenizer

Put all four in one directory.

Usage

Build thinksound.cpp, then:

# CLI
ts-dasheng-generate --dir /path/to/gguf --caption "a dog barking" -o out.wav

# HTTP server (POST /v1/dasheng/generate)
ts-server --dir /path/to/gguf

Feed the bare caption (e.g. a dog barking) — do not prepend a <|caption|> tag; it is not a special token in this tokenizer and degrades the output.

License

Apache-2.0, inherited from the upstream mispeech/Dasheng-AudioGen. These are format-converted weights; all model credit goes to the original authors.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

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

Ревизия весов
7785a76

0 моделей