/ Модель

Характеристики

Размер весов
11,5 ГБ
Лицензия
Apache 2.0
Архитектура
midashenglm-gen · dense
Библиотека
transformers
Опубликована
12 авг 2026

midashenglm-gen

Генерация аудиоТекст → аудио3 профессии

MiDashengLM-Gen создаёт аудиосцены с речью, музыкой и звуковыми эффектами по структурированному текстовому описанию.

173скачиваний за 30 дней46лайковвеса обновлены13 авг 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

MiDashengLM-Gen — модель генерации аудиосцен, разработанная авторами проекта MiDashengLM. Она использует полностью дообученную языковую модель Qwen3-1.7B, аудиотокенизатор DashengTokenizer и условный flow matching для авторегрессионного создания аудио переменной длины. На вход подаются структурированные текстовые описания сцены, речи и характеристик голоса; модель генерирует согласованные аудиосцены с речью, музыкой, звуковыми эффектами и окружающей акустикой. Выходное аудио имеет частоту дискретизации 16 кГц. Аудиотокенизатор формирует латентные представления размерности 768 с частотой 25 Гц, затем аудиопроектор снижает её до 5 Гц; блок Flow Matching DiT содержит 16 слоёв, размер скрытого состояния 2048 и 8 голов внимания.

Модель подходит для создания смешанных звуковых сцен по текстовым сценариям, включая диалоги с заданной подачей голоса, музыку и фоновые эффекты. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Авторы запрещают использовать модель и её производные для незаконных действий, нарушения прав, причинения вреда людям, дискриминации и военных целей.

Сценарии применения

  • генерация аудиосцены с диалогом, музыкой и шумом толпы
  • озвучивание реплики голосом с заданными характеристиками и эмоцией
  • создание звуковых эффектов и окружающей акустики по описанию
  • генерация аудио для комедийных сцен с реакцией публики
  • создание фонового звукового сопровождения для текстового сценария

Ограничения

Модель рассчитана на генерацию аудио сцен по структурированным текстовым описаниям; частота дискретизации выхода — 16 кГц. В README не приведены результаты бенчмарков или подробная оценка качества.

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

arXiv  HuggingFace Model  Demo Page  GitHub

English | 中文

MiDashengLM-Gen is an end-to-end framework that uses a pre-trained Large Language Model and audio tokenizer as the backbone, combined with per-token conditional flow matching for autoregressive, variable-length mixed-audio scene generation. It generates coherent 16 kHz audio scenes that simultaneously blend speech, music, sound effects, and environmental acoustics from structured text descriptions.

Architecture

Architecture

Left: training pipeline with flow matching loss. Right: autoregressive inference pipeline.

Key components:

ComponentDetails
Audio TokenizerDashengTokenizer → 768-dim latents @ 25 Hz, downsampled to 5 Hz via audio projector
LLM BackboneQwen3-1.7B, fully fine-tuned
Flow Matching DiT16 layers, hidden dim 2048, 8 heads, MLP ratio 4.0
Inference10-step Euler ODE solver, CFG scale 2.0
Stop HeadLearned binary classifier for variable-length truncation
Output16 kHz mono WAV, auto-truncated

Input Format

Input uses structured multi-view captions with special tokens to describe different aspects of an audio scene. Use <|unknown|> for absent elements.

TokenDescriptionExample
<|caption|>Overall scene descriptionA comedian delivering a punchline followed by uproarious crowd laughter and an upbeat jazz band hit
<|asr|>Speech transcriptAnd that is why I never buy cheap luggage anymore!
<|speech|>Speaker characteristics (voice, emotion, style)expressive comedic male voice
<|sfx|>Sound effectsuproarious crowd laughter
<|music|>Music descriptionsudden upbeat jazz band sting
<|env|>Environment / ambienceintimate comedy club

Installation

pip install torch torchaudio "transformers>=4.51" einops safetensors soundfile tqdm numpy x-transformers

Quick Start

from transformers import AutoModel
import soundfile as sf

model = AutoModel.from_pretrained("mispeech/midashenglm-gen", trust_remote_code=True)
model = model.cuda()

result = model.generate(
    "<|caption|> A comedian delivering a punchline followed by uproarious crowd laughter and an upbeat jazz band hit "
    "<|asr|> And that is why I never buy cheap luggage anymore! "
    "<|speech|> expressive comedic male voice "
    "<|music|> sudden upbeat jazz band sting "
    "<|sfx|> uproarious crowd laughter "
    "<|env|> intimate comedy club"
)

sf.write("output.wav", result["audio"], result["sample_rate"])

Batch Generation

texts = [
    "<|caption|> A comedian delivering a punchline followed by uproarious crowd laughter and an upbeat jazz band hit <|asr|> And that is why I never buy cheap luggage anymore! <|speech|> expressive comedic male voice <|music|> sudden upbeat jazz band sting <|sfx|> uproarious crowd laughter <|env|> intimate comedy club",
    "<|caption|> Upbeat instrumental music with occasional whistling and low audio quality. <|asr|> <|unknown|> <|speech|> <|unknown|> <|sfx|> Intermittent whistling emerges in later segment alongside persistent instrumental playback. <|music|> Bright melodic composition with guitar, piano, and rhythmic percussion elements, maintaining a consistently upbeat character. <|env|> Low-fidelity recording with compressed dynamics and limited frequency response.",
]
result = model.generate(texts)
for i, audio in enumerate(result["audio"]):
    sf.write(f"output_{i}.wav", audio, result["sample_rate"])

Generation Parameters

result = model.generate(
    "...",
    eval_cfg=2.0,           # Classifier-free guidance scale
    stop_threshold=0.5,     # Stop prediction threshold
    min_stop_step=5,        # Minimum steps before stopping
    seed=42,                # Random seed for reproducibility
)
ParameterDefaultDescription
eval_cfg2.0Classifier-free guidance scale
stop_threshold0.5Stop probability threshold for audio truncation
min_stop_step5Minimum generation steps before stopping
seedNoneRandom seed for reproducibility

Citation

@article{sun2026midashenglmgen,
  title={MiDashengLM-Gen: Unified Audio Scene Generation via LLM-Driven Autoregressive Flow Matching},
  author={Sun, Xingwei and Dinkel, Heinrich and Li, Gang and Mei, Jiahao and Niu, Yadong and Han, Zerui and Jiang, Yuepeng and Zhou, Jiahao and Fan, Lichun and Luan, Jian},
  journal={arXiv preprint},
  eprint={2608.11804},
  archivePrefix={arXiv},
  year={2026}
}

License

Apache 2.0

Use Restrictions

You are solely responsible for your use of MiDashengLM-Gen and any outputs, actions, or consequences arising therefrom, and you agree not to use MiDashengLM-Gen or any derivatives thereof:

  • For any unlawful, fraudulent, or malicious purpose, or in any manner that violates any applicable laws or regulations;
  • To infringe upon the intellectual property rights, privacy rights, publicity rights, or other lawful rights or interests of any third party;
  • To exploit, harm, harass, defame, unlawfully discriminate against, or otherwise adversely affect any individual or group, including minors or vulnerable persons;
  • For any military purpose or application.

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
MiDashengLMGenForAudioGeneration
Ревизия весов
598b91a

0 моделей