/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
70,9 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
speechlmm · dense
Базовая модель
Qwen3-Omni-30B-A3B-Instruct
Библиотека
transformers
Опубликована
20 июл 2026

SpeechLMM-v2.0-XL-30B

ЭмбеддингиТекст → embedding

Мультимодальная модель Meetween на базе Qwen3-Omni для распознавания, понимания, перевода и синтеза речи, а также работы с текстом и видео.

47скачиваний за 30 дней0лайковвеса обновлены30 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

SpeechLMM-v2.0-XL-30B — мультимодальная модель с инструкционной настройкой, разработанная консорциумом Meetween. Она дообучена на основе Qwen/Qwen3-Omni-30B-A3B-Instruct и предназначена для обработки речи, текста и видео, а также генерации текста и речи. Архитектура включает компоненты Qwen3-Omni, аудиоэнкодер AuT, визуальный энкодер SigLIP2-So400M и отдельный путь распознавания речи по движению губ. В README для версии XL заявлено 30 млрд параметров.

Модель подходит для распознавания и перевода речи, речевых диалогов с ответами на вопросы, суммаризации, определения говорящих, чтения по губам и синтеза речи. Официально поддерживаются чешский, немецкий, английский, испанский, французский, венгерский, итальянский, нидерландский, португальский и шведский языки, причём доступность зависит от задачи. Метаданные указывают pipeline-тег feature-extraction, но README описывает модель как генеративную; основным назначением для каталога выбрана генерация текста и речи. В метаданных указана лицензия CC BY-NC-SA 4.0, а README — Apache 2.0, поэтому условия использования противоречивы и требуют проверки.

Сценарии применения

  • транскрибация многоязычной речи
  • перевод речи и устный перевод между языками
  • ответы на вопросы по аудиозаписям
  • суммаризация встреч и аудиозаписей
  • распознавание говорящих в аудиовизуальных записях
  • чтение речи по движению губ
  • генерация речи из текста

Ограничения

Официальная языковая поддержка зависит от задачи; возможное качество на других языках не гарантируется. Лицензия в README (Apache 2.0) расходится с метаданными Hugging Face (CC BY-NC-SA 4.0); перед использованием следует проверить условия.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model information (WIP)

The SpeechLMM 2.0 collection of multimodal and multilingual large language models is a collection of instruction-tuned generative models in 4 different sizes: S (1.7B), M (3B), L (7B) and XL (30B), supporting text, audio and video as input and text and audio as output. The SpeechLMM 2.0 models are optimized for various X-to-X generation tasks, namely:

  • Audio Chaptering (ACHAP)
  • Automatic Speech Recognition (ASR)
  • Audiovisual Speaker Diarization (AVSPEAKD)
  • Lip Reading (LIPREAD)
  • Machine Translation (MT)
  • Speech-to-speech Translation (S2ST)
  • Spoken Language Understanding - Intent (SLU-I)
  • Spoken Question Answering - Abstractive (SQA-A)
  • Spoken Question Answering - Extractive (SQA-E)
  • Spoken Question Answering - Multiple Choice (SQA-M)
  • Speech Summarization (SSUM)
  • Speech Translation (ST)
  • Textual Question Answering - Abstractive (TQA-A)
  • Textual Question Answering - Extractive (TQA-E)
  • Textual Question Answering - Multiple Choice (TQA-M)
  • Text Summarization (TSUM)
  • Text-to-Speech (TTS)

Model Developer: Meetween consortium

Supported Languages: Czech, German, English, Spanish, French, Hungarian, Italian, Dutch, Portuguese, Swedish are officially supported (for a subset of the supported tasks). The Qwen Omni backbone have been originally trained on a broader collection of languages than these 10 supported ones, therefore, the model might exhibit good performance on other languages too.

Model Release Date: July 31, 2026

License: Apache 2.0

Model Architecture (WIP)

SpeechLMM 2.0 is an auto-regressive multimodal language model based on a Qwen-X-Omni backbone (X varies with the model size) and incorporates a dedicated visual speech recognition pathway.

The architecture consists of:

  • Qwen3-Omni-30B-A3B-Instruct as the multimodal foundation model backbone;
  • The Qwen3 Thinker module for multimodal reasoning;
  • The Qwen3 Talker module for speech generation;
  • The Audio Transformer (AuT) encoder inherited from Qwen3-Omni for speech processing;
  • A SigLIP2-So400M-based [2] vision encoder;
  • An AutoAVSR-based [3] lip-reading encoder for extracting visual speech representations;
  • Trainable adapter layers connecting video, lip-reading and audio encoders outputs to the Qwen3 Thinker representation space.
ModelBackboneParamsInput modalitiesOutput modalitiesContext Length
SpeechLMM 2.0 S---1.7BMultilingual text and audio, English videoMultilingual Text---
SpeechLMM 2.0 MQwen-2.5-Omni-3B3BMultilingual text and audio, English videoMultilingual Text---
SpeechLMM 2.0 LQwen-2.5-Omni-7B7BMultilingual text and audio, English videoMultilingual Text---
SpeechLMM 2.0 XLQwen-3.0-Omni-30B-A3B-Instruct30BMultilingual text and audio, English videoMultilingual Text---

Training Details (WIP)

How to use (WIP)

Refer to the instructions in our codebase:

Training Data (WIP)

TASKDatasetLanguageLicense
ACHAPAMI Meeting Corpusen → en-
YTSegen → en-
ASRFLEURScs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
Multilingual Spoken Topical-Chatcs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
Spoken DGT-TMcs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
VoxPopulics → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
EuroSpeechcs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
AVSPEAKDAMI Meeting Corpusen → en-
LIPREADLipCropsen → en-
MTEuroparl-ST{de, en, es, fr, it, nl, pt} → {de, en, es, fr, it, nl, pt}-
Multilingual Spoken Topical-Chat{cs, de, en, es, fr, hu, it, nl, pt, sv} → {cs, de, en, es, fr, hu, it, nl, pt, sv}-
Spoken DGT-TM{cs, de, en, es, fr, hu, it, nl, pt, sv} → {cs, de, en, es, fr, hu, it, nl, pt, sv}-
SLU-ISLURPen → en-
Speech-MASSIVEde → de, fr → fr-
SQA-EMultilingual Spoken SQuADcs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
SSUMICSIen → en-
STEuroparl-ST{de, en, es, fr, it, nl, pt} → {de, en, es, fr, it, nl, pt}-
Multilingual Spoken Topical-Chat{cs, de, en, es, fr, hu, it, nl, pt, sv} → {cs, de, en, es, fr, hu, it, nl, pt, sv}-
Spoken DGT-TM{cs, de, en, es, fr, hu, it, nl, pt, sv} → {cs, de, en, es, fr, hu, it, nl, pt, sv}-
TQA-EMultilingual Spoken SQuADcs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
TQA-MMultilingual Text LibriSQAcs → cs, de → de, en → en, es → es, fr → fr, hu → hu, it → it, nl → nl, pt → pt, sv → sv-
TSUMAMI Meeting Corpusen → en-
ELITR Minuting Corpuscs → cs, en → en-

Evaluation Results (WIP)

The following results specifically refer to the L model.

ASR Metrics (WIP)

SLU Metrics (WIP)

SQA Metrics (WIP)

SSUM Metrics (WIP)

ST Metrics (WIP)

LIPREAD Metrics (WIP)

MT Metrics (WIP)

TSUM Metrics (WIP)

Framework versions (WIP)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SpeechLMMQwen3OmniForConditionalGeneration
Ревизия весов
0214e9c

0 моделей