/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
3,9 млрд
Лицензия
Apache 2.0
Архитектура
step1 · dense
Базовая модель
Step-Audio-EditX
Библиотека
mlx
Опубликована
7 окт 2026

Step-Audio-EditX-bf16

Генерация текстаТекст → текст

MLX-пакет аудиоязыковой модели StepFun для редактирования речи и аудиоэффектов в существующей записи с сохранением голоса, а также zero-shot клонирования голоса.

43скачиваний за 30 дней0лайковвеса обновлены7 окт 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

Step-Audio-EditX-bf16 — пакет модели Step-Audio-EditX, подготовленный сообществом mlx-community для запуска через MLX. Это аудиоязыковая модель StepFun с архитектурой Step1, содержащая около 3,9 млрд параметров; пакет включает языковую модель и аудиотокенизаторы. Веса сохранены в safetensors в формате bf16 без квантизации.

Модель предназначена для редактирования существующей аудиозаписи с сохранением голоса: изменения эмоций и манеры речи, вставки смеха, вздохов и дыхания, шумоподавления и обрезки тишины. Также заявлено клонирование голоса zero-shot. Поддерживаются английский и китайский; пакет рассчитан на использование с MLX на устройствах Apple. README сообщает о детерминированной работе одного из потребителей и приводит результаты измерений на M5 Max, но это не независимая оценка качества.

Лицензия основной модели — Apache-2.0. Один из включённых компонентов, энкодер Paraformer из FunASR, имеет собственную лицензию, поэтому условия использования всего пакета следует сверять также с лицензией этого компонента. Пакет требует значительных ресурсов: README сообщает примерно о 9,4 ГБ резидентной памяти для указанного Swift-потребителя. Для входного ресэмплера в описанном Python-потребителе отмечено возможное искажение токенизации.

Сценарии применения

  • изменение эмоции в существующей речевой записи
  • редактирование манеры и стиля речи с сохранением голоса
  • добавление смеха, вздохов и дыхания в аудиозапись
  • шумоподавление и обрезка тишины в речи
  • zero-shot клонирование голоса

Ограничения

Пакет требует значительного объёма памяти: README указывает около 9,4 ГБ для измеренной конфигурации на M5 Max. Для Python-потребителя отмечено, что используемая линейная интерполяция при ресэмплинге может искажать входные данные токенизаторов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Step-Audio-EditX — bf16 MLX bundle

Step-Audio-EditX (StepFun, Apache-2.0): a 3 B audio LLM that re-delivers an existing take — emotion, speaking style, inserted paralinguistics (laughter, sighs, breaths), denoise, silence trim — in the same voice, plus zero-shot cloning. This is the whole pipeline in one directory of MLX safetensors, bf16 throughout, no quantisation, converted from the stock checkpoint:

filecomponentsource weights
model.safetensors (7.06 GB) + config.jsonstep1 LM — 32 × 3072, 48 heads / 4 KV groups, sqrt-ALiBistepfun-ai/Step-Audio-EditX
vq02.safetensors + vq02-config.jsonParaformer-large zh-cantonese-en online encoder (the 16.7 Hz linguistic tokenizer)FunASR dengcunqin/…-vocab8501-online (FunASR model licence)
vq06.safetensors + vq06-config.jsonS3 v1 semantic tokenizer (25 Hz, 4 096 codes)stepfun-ai/Step-Audio-Tokenizer
step-audio-tokenizer-assets.safetensorsthe k-means linguistic codebook + CMVNstepfun-ai/Step-Audio-Tokenizer
flow-model.safetensors, flow-conditioner.safetensors + configsupsample conformer + DiT flow matching (24 kHz mel)Step-Audio-EditX/CosyVoice-300M-25Hz/flow.pt (StepFun-trained)
hift.safetensors + hift-config.jsonHiFT vocoder…/hift.pt (StepFun-trained)
campplus.safetensors + campplus-config.jsonCAM++ speaker embedding…/campplus.onnx (Alibaba, Apache-2.0)
tokenizer.json, tokenizer_config.jsonthe sentencepiece Unigram text tokenizerderived from tokenizer.model
frontend-config.jsonthe 24 kHz mel front end—

Layout and conversion: appautomaton/mlx-speech (MIT) scripts/convert/step_audio_editx.py, run with a --no-quantize patch so every component stays bf16; tokenizer.json was added from tokenizer.model (LlamaTokenizerFast).

Consumers

  • Swift: xocialize/mlx-step-audio-editx-swift — EditXPipeline.load(bundle: EditXBundle(root: dir)); quantises the LM to int8 at load when asked. Every stage is parity-locked against StepFun's torch code (its PORTING-SPEC.md).
  • Python: mlx-speech — StepAudioEditXModel.from_dir(dir) (its resampler should be a windowed sinc; the shipped np.interp perturbs the 16 kHz tokenizers — see the Swift package's notes).

Notes

  • The Paraformer front end in the upstream code dithers with an unseeded RNG at inference (only ~96 % of its own codes agree run to run). Both consumers above run it deterministically (dither off).
  • Measured on an M5 Max with the Swift consumer: ≈ 9.4 GB resident, ≈ 1.9 GB per edit, real-time factor 0.72–0.75 (0.49–0.58 with the LM at int8). Content, voice and quality of the edits equal the torch reference's on the evaluation set (mlxengine-audio E19).

Licence

Apache-2.0 (StepFun) for the LM, flow, HiFT and the S3 tokenizer; the Paraformer encoder under the FunASR model licence; CAM++ Apache-2.0 (Alibaba / 3D-Speaker). Converted and re-hosted by xocialize for mlx-community.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Step1ForCausalLM
Ревизия весов
f0ec5fd

0 моделей