/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
lfm2_audio · dense
Базовая модель
LFM2.5-Audio-1.5B
Библиотека
transformers
Опубликована
18 сен 2026

LFM2.5-Audio-1.5B-hf

Обработка аудиоАудио → аудио4 профессии

LFM2.5-Audio-1.5B в формате Transformers — аудиоязыковая модель для распознавания, синтеза и голосового взаимодействия.

38скачиваний за 30 дней0лайковвеса обновлены18 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

Это преобразованная в формат Transformers копия сквозной аудиоязыковой модели Liquid AI LFM2.5-Audio-1.5B. Веса и конфигурация перенесены из LiquidAI/LFM2.5-Audio-1.5B; дополнительного обучения не проводилось. Модель поддерживает сценарии распознавания речи, синтеза речи и голосового взаимодействия с чередованием текста и аудио. В репозитории есть настройки извлечения аудиопризнаков, шаблон мультимодального диалога, токенизатор и аудиодетокенизатор.

Проверка подтвердила совпадение текстовых токенов, аудиокодбуков, последовательностей модальностей и форм волн с исходной реализацией в описанных тестовых сценариях; это проверка совместимости, а не оценка точности распознавания или скорости. Для загрузки требуется обновлённая реализация LFM2-Audio в Transformers, которая на момент карточки ещё не была доступна в выпущенном пакете. Для ASR требуется монофонический сигнал 16 кГц, а генерация ограничена размером пакета 1. Лицензия указана как other; в репозитории приложена исходная лицензия.

Сценарии применения

  • распознавание речи из монофонической записи 16 кГц
  • синтез речи несколькими голосами
  • голосовой диалог с чередованием текста и аудио

Ограничения

Для загрузки нужна обновлённая реализация LFM2-Audio в Transformers; стандартный выпущенный пакет может не загрузить модель. ASR ожидает монофонический сигнал 16 кГц, генерация поддерживает только размер пакета 1; приведённая проверка совместимости не сообщает метрики WER или скорости.

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

LFM2.5-Audio-1.5B — Transformers conversion

Transformers-format conversion of LiquidAI/LFM2.5-Audio-1.5B, prepared for Transformers PR #48249. No additional training was performed. The original LICENSE is included.

This checkpoint includes the native model configuration and weights, LFM2-Audio feature extractor settings, multimodal chat template, tokenizer, and bundled audio detokenizer. Legacy module names and packed depth-attention QKV weights were converted for the native implementation.

Required Transformers implementation

The updated LFM2-Audio implementation is required. The review changes used for this conversion are currently local and have not been pushed to GitHub. Do not assume the released Transformers package or the current remote PR branch can load this checkpoint yet. Install the updated local Transformers checkout with pip install -e /path/to/transformers before using it. This repository does not provide remote Python code.

import torch
from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "kadirnar/LFM2.5-Audio-1.5B-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(
    model_id, dtype=torch.bfloat16,
).to("cuda").eval()

inputs = processor.apply_text_to_speech_request(
    "Hello, how are you today?",
    prompt="Perform TTS. Use the US male voice.",
).to(device=model.device, dtype=model.dtype)
output = model.generate(**inputs, max_new_tokens=128, text_top_k=1, audio_top_k=1)
waveform = processor.decode_audio(output.audio_codes)
# waveform: mono audio at processor.output_sampling_rate (24,000 Hz)

For ASR, pass a 16 kHz mono waveform to processor.apply_transcription_request(waveform, device=model.device), generate sequentially, and decode output.sequences with the tokenizer. Generation currently supports batch size one.

Validation and provenance

Six GPU integration scenarios passed: ASR, four TTS voices, and a 96-step interleaved generation prefix. Text tokens, all eight audio codebooks, and modality sequences matched the original Liquid Audio implementation exactly on an RTX 5070 Ti using PyTorch 2.8.0, BF16, and greedy decoding. Waveform checks also passed. This is a parity check, not a WER or speed benchmark.

  • Original checkpoint revision: c362a0625dfe45aa588dce5f0ada28a7e5707628.
  • Reference: Liquid Audio v1.3.0, commit 19e65845923a7f136442c95137884ec61eb386aa.
  • Shared Transformers LFM2 backbone: PR base commit 89a727319005f512aff3714c3838c8c37630b4fa, which does not contain native LFM2-Audio. The reference uses this revision to isolate audio integration changes from backbone changes between Transformers versions.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
Lfm2AudioForConditionalGeneration
Ревизия весов
24bb166

0 моделей