/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,7 ГБ
Лицензия
MIT
Архитектура
vibevoice · dense
Базовая модель
VibeVoice-ASR-Streaming-7B
Библиотека
mlx
Опубликована
9 сен 2026

VibeVoice-ASR-Streaming-7B-bf16

Распознавание речиАудио → текст8 профессий

Потоковая MLX-модель VibeVoice распознаёт речь на десяти языках и связывает транскрипцию с говорящими.

184скачиваний за 30 дней0лайковвеса обновлены9 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 сообществом mlx-community модель Microsoft VibeVoice-ASR-Streaming-7B для потокового распознавания речи с привязкой реплик к говорящим. Модель принимает аудио и по мере его поступления выдаёт транскрипцию с указанием говорящего; отдельный этап диаризации не требуется. Поддерживаются 10 языков: английский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский. Для повышения точности распознавания заданных терминов предусмотрена настройка контекста ключевыми словами.

Это плотная модель семейства VibeVoice в формате MLX и точности bfloat16; размер весов составляет 16,66 ГБ. По описанию, потоковая обработка использует чанки примерно по 2,93 секунды и упреждение около 0,53 секунды, поэтому минимальная задержка составляет примерно 3 секунды. На тесте AMI-IHM автор карточки приводит результаты для Apple M5 Max и отмечает, что точность эталонной реализации меняется между запусками. Модель распространяется по лицензии MIT. Для запуска нужны совместимые MLX и оборудование Apple Silicon; порт использует среднее распределения акустического VAE вместо случайной выборки эталонной реализации, а результаты 4-битной версии зависят от того, вычислялись ли масштабы квантования на CPU или GPU.

Сценарии применения

  • создание субтитров для аудио в реальном времени
  • транскрибирование многоязычных совещаний с указанием говорящих
  • распознавание речи по небольшим аудиофрагментам с низкой задержкой
  • распознавание имён и терминов с помощью контекстных ключевых слов

Ограничения

Задержка потоковой обработки составляет около 3 секунд; модель и её эталонная реализация могут давать различающиеся результаты между запусками. Для этой версии bf16 требуется около 16,66 ГБ памяти, а результаты 4-битного квантования зависят от устройства, на котором вычислены масштабы.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mlx-community/VibeVoice-ASR-Streaming-7B-bf16

MLX conversion of microsoft/VibeVoice-ASR-Streaming-7B — streaming speaker-attributed ASR: it transcribes who said what as the audio arrives, with no separate diarization stage. 10 languages, hotword biasing via a context prefix.

Precision: bfloat16 — 16.66 GB. The reference tier for parity work; the 4-bit tier is the deployable one.

What differs from the upstream checkpoint

  • The acoustic tokenizer's DECODER is dropped (276 tensors / 0.69 GB). It ships in the upstream repo but ASR never calls it — only the two encoders are used.
  • Weights are in the MLX layout (sanitized keys, Conv1d transposed to [O, K, I]).
  • Tokenizer and preprocessor_config.json are included and required. The streaming protocol ends each chunk on <|text_chunk_end|> and reads chunk_frames / lookahead_frames from the preprocessor config; a consumer that falls back to the stock Qwen2.5 tokenizer has no such token and never terminates a chunk.

Streaming geometry

speech_tok_compress_ratio 3200 @ 24 kHz = 7.5 frames/s. chunk_frames 22 → 2.9333 s; lookahead_frames 4 → 0.5333 s. So the latency floor is ~3 s: this is live-captioning latency, not dictation latency.

Each chunk is encoded independently from raw samples with cold conv state (split_then_encode) — there is no cross-chunk encoder state to carry.

Measured

On 40.4 min of balanced 4-speaker AMI-IHM (7475 reference words), Apple M5 Max, against the PyTorch reference on identical audio:

tiercpWERWERspeakers foundresidentpeakRTF
PyTorch reference31.76 %21.25 %15 / 16——0.696
MLX bf1631.68 %21.17 %15 / 1616.66 GB21.45 GB0.916
MLX 4-bit31.95 %21.77 %15 / 165.72 GB7.63 GB0.149

cpWER is concatenated minimum-permutation WER — it charges transcription and speaker attribution. 4-bit costs +0.27 cpWER against bf16 and loses no speakers; that is inside the PyTorch reference's own ±0.8-point run-to-run band (see below), so the degradation sits below the noise floor of the measurement.

Harness: xocialize/mlxengine-audio-tools.

Two things worth knowing

The upstream reference is not deterministic. Its encode_speech samples the acoustic VAE (sample(dist_type='gaussian'), fix_std 0.5) at ~26 % noise-to-signal, so it does not reproduce itself run to run — four runs on identical audio span 1.58 cpWER points. This MLX port takes the distribution's mean instead, which lands within 0.08 cpWER of the stochastic reference and is repeatable.

Quantisation here is device-dependent. CPU- and GPU-computed 4-bit scales disagree on 396 of 1297 tensors. These weights were quantised on GPU (recorded as quantization.mlx_quantised_on in config.json), which is the configuration the numbers above were measured on.

Licence

MIT, from the upstream checkpoint. Conversion by xocialize.

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
VibeVoiceForASRStreamingTraining
Ревизия весов
16a47a7

0 моделей