/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
dasheng_audiogen · dense
Библиотека
transformers
Опубликована
21 апр 2026

Dasheng-AudioGen-Multilingual

Генерация аудиоТекст → аудио3 профессии

Многоязычная модель Mispeech, которая генерирует речь, музыку и звуковые эффекты по текстовому описанию.

46скачиваний за 30 дней6лайковвеса обновлены28 мая 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-Multilingual — многоязычная версия модели генерации аудио Dasheng-AudioGen, разработанная Mispeech. Она принимает текстовые описания и синтезирует речь, музыку, звуковые эффекты и звуки окружающей среды. В качестве текстового энкодера используется mT5-large; архитектура модели в метаданных обозначена как DashengAudioGenModel. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой Transformers.

Модель рассчитана на английский, испанский, португальский, русский, французский, японский, корейский и немецкий языки. По данным карточки, качество синтеза на языках кроме английского заметно хуже; для английских сценариев автор рекомендует базовую Dasheng-AudioGen. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • синтез многоязычной речи по тексту
  • создание музыкальных фрагментов по описанию
  • генерация звуковых эффектов для видео и игр
  • создание фоновых звуков окружающей среды
  • озвучивание мультимедийного контента на поддерживаемых языках

Ограничения

Синтез на языках кроме английского сопровождается заметно более высокой частотой ошибок; для языков, не перечисленных в карточке, надежность ещё ниже.

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-Multilingual

arXiv GitHub Hugging Face Model Hugging Face Demo Web Demo

English | 中文

Dasheng-AudioGen-Multilingual is the multilingual variant of Dasheng-AudioGen, a unified audio generation model that can jointly synthesize intelligible speech, music, sound effects, and environmental acoustics from text descriptions.

Models

ModelHuggingFaceText EncoderLanguage
Dasheng-AudioGenmispeech/Dasheng-AudioGengoogle/flan-t5-largeEnglish
Dasheng-AudioGen-Multilingualmispeech/Dasheng-AudioGen-Multilingualgoogle/mt5-largeMultilingual

Language Support

LanguageDuration (h)Proportion
English15,367.8058.86%
Spanish2,740.9610.50%
Portuguese1,916.247.34%
Russian1,217.394.66%
French933.913.58%
Japanese874.513.35%
Korean848.153.25%
German842.293.23%
Other1,369.165.24%

Note: The current multilingual model has notably higher synthesis error rates for all non-English languages. Languages outside the table above are even less reliable. For English-only use cases, the base model (mispeech/Dasheng-AudioGen) is recommended.

Installation

pip install torch torchaudio "transformers<5" einops

Tested with Python 3.10, torch 2.8.0+cu128, transformers 4.57. Not compatible with transformers 5.x.

Prompt Format

Dasheng-AudioGen uses structured tags to describe different audio aspects. A valid prompt must start with the <|caption|> tag, which provides the overall scene description. Other tags are optional and can be included as needed.

TagDescriptionRequired
<|caption|>Overall audio scene descriptionYes
<|speech|>Speaker identity and speaking styleNo
<|asr|>Spoken transcript / dialogueNo
<|sfx|>Sound effectsNo
<|music|>Background musicNo
<|env|>Environmental ambienceNo

Rules:

  • The prompt must begin with <|caption|> — prompts without it will be rejected.
  • Only include tags that are relevant; omit tags with no content (e.g., skip <|music|> if there is no music).

Multilingual prompt convention: All descriptive tags (caption, speech, sfx, music, env) should be written in English. Only the <|asr|> field (the actual spoken content to be synthesized) should use the target language.

Quick Start

Usage 1: Aspect-wise Composition

Pass each aspect as a named argument. The caption field is required; all other fields are optional.

import torchaudio
from transformers import AutoModel

model = AutoModel.from_pretrained("mispeech/Dasheng-AudioGen-Multilingual", trust_remote_code=True).cuda()

prompt = model.compose_prompt(
    caption="A conversation scene on a busy city street.",
    speech="A young woman speaking softly in Spanish.",
    env="Rain and distant traffic noise.",
    asr="Creo que deberíamos irnos ya.",
)
audio = model.generate(prompt)
torchaudio.save("output.wav", audio.cpu(), 16000)

Usage 2: Pre-formatted Prompt String

Pass a complete tagged string via the prompt parameter. The string must start with <|caption|>.

import torchaudio
from transformers import AutoModel

model = AutoModel.from_pretrained("mispeech/Dasheng-AudioGen-Multilingual", trust_remote_code=True).cuda()

prompt = model.compose_prompt(
    prompt="<|caption|> A conversation scene on a busy city street. <|speech|> A young woman speaking softly in Spanish. <|asr|> Creo que deberíamos irnos ya. <|env|> Rain and distant traffic noise."
)
audio = model.generate(prompt)
torchaudio.save("output.wav", audio.cpu(), 16000)

Batch Inference

import torchaudio
from transformers import AutoModel

model = AutoModel.from_pretrained("mispeech/Dasheng-AudioGen-Multilingual", trust_remote_code=True).cuda()

prompts = [
    model.compose_prompt(caption="A cat meowing softly.", sfx="Soft cat meow."),
    model.compose_prompt(caption="Thunder rolling in the distance.", env="Stormy night ambience."),
    model.compose_prompt(caption="A piano playing a gentle melody.", music="Soft piano ballad."),
]
audios = model.generate(prompts)

for i, audio in enumerate(audios):
    torchaudio.save(f"output_{i}.wav", audio.unsqueeze(0).cpu(), 16000)

Generation Parameters

import torchaudio
from transformers import AutoModel

model = AutoModel.from_pretrained("mispeech/Dasheng-AudioGen-Multilingual", trust_remote_code=True).cuda()

prompt = model.compose_prompt(caption="A dog barking in a park")
audio = model.generate(
    prompts=prompt,
    num_steps=25,              # number of denoising steps (default: 25)
    guidance_scale=5.0,        # classifier-free guidance scale (default: 5.0)
    sway_sampling_coef=-1.0,   # sway sampling coefficient (default: -1.0, 0 for linear)
)
torchaudio.save("output.wav", audio.cpu(), 16000)

Acknowledgments

Dasheng-AudioGen was developed with contributions from XIAOMI LLM PLUS and SJTU X-LANCE.

Citation

@article{mei2026dashengaudiogen,
  title   = {Dasheng AudioGen: A Unified Model for Generating Coherent Audio Scenes from Text},
  author  = {Jiahao Mei and Heinrich Dinkel and Yadong Niu and Xingwei Sun and Gang Li and Yifan Liao and Jiahao Zhou and Junbo Zhang and Jian Luan and Mengyue Wu},
  journal = {arXiv preprint arXiv:2605.27838},
  year    = {2026}
}

License

This project is released under the Apache License 2.0.

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
DashengAudioGenModel
Ревизия весов
66098af

0 моделей