/ Модель

Характеристики

Размер весов
16,7 ГБ
Лицензия
Apache 2.0
Архитектура
pathumma_audio · dense
Библиотека
transformers
Опубликована
24 окт 2024

Pathumma-llm-audio-1.0.0

Генерация текстаТекст → текст3 профессии

Экспериментальная аудиоязыковая модель Pathumma на 8 млрд параметров, которая анализирует короткую речь, звуки и музыку и выдаёт текст.

126скачиваний за 30 дней8лайковвеса обновлены22 дек 2024

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

Pathumma-llm-audio-1.0.0 — разработанная командой Pathumma Audio Team языковая модель на 8 млрд параметров для понимания аудио. Она принимает речь, обычные звуки и музыку и формирует текстовые представления. Архитектура объединяет языковую модель OpenThaiLLM-DoodNiLT-V1.0.0-Beta-7B на базе Qwen2 и аудиоэнкодер Pathumma-whisper-th-large-v3 на базе Whisper. Для работы указана библиотека Transformers.

Модель предназначена для преобразования коротких аудиозаписей в текст и ответов по их содержанию. README заявляет поддержку тайского языка, а метаданные карточки также указывают английский. Максимальная длительность входного аудио — 30 секунд. Разработчики отмечают, что модель пока экспериментальная и не полностью пригодна для практического применения в качестве ассистента; также требуется улучшать надёжность и безопасность ответов. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование короткой тайской речи
  • создание текстового описания аудиозаписи
  • ответы на вопросы по содержанию короткого аудио
  • анализ музыкальных фрагментов
  • распознавание и описание бытовых звуков

Ограничения

Ограничивает входное аудио длительностью до 30 секунд. Модель экспериментальная; разработчики отмечают необходимость улучшить надёжность и безопасность ответов.

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

Pathumma-Audio

Model Description

Pathumma-llm-audio-1.0.0 is a 8 billion parameter Thai large language model designed for audio understanding tasks. The model can process multiple types of audio inputs including speech, general audio, and music, converting them into meaningful textual representations.

Model Architecture

The model combines two key components:

Quickstart

To load the model and generate responses using the Hugging Face Transformers library, follow the steps below.

1. Install the required dependencies:

Make sure you have the necessary libraries installed by running:

pip install librosa torch torchaudio transformers peft

2. Load the model and generate a response:

You can load the model and use it to generate a response with the following code snippet:

import torch
import librosa
from transformers import AutoModel

device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.bfloat16 if torch.cuda.is_available() else torch.float32

model = AutoModel.from_pretrained(
    "nectec/Pathumma-llm-audio-1.0.0",
    torch_dtype=torch.bfloat16,
    lora_infer_mode=True,
    init_from_scratch=True,
    trust_remote_code=True
)
model = model.to(device)

prompt = "ถอดเสียงเป็นข้อความ"
audio_path = "audio_path.wav"
audio, sr = librosa.load(audio_path, sr=16000)

model.eval()
with torch.no_grad():
  response = model.generate(
        raw_wave=audio,
        prompts=prompt,
        device=device,
        max_new_tokens=200,
        repetition_penalty=1.0,
)
print(response[0])

Evaluation Performance

Additional information is needed

Limitations and Future Work

At present, our model remains in the experimental research phase and is not yet fully suitable for practical applications as an assistant. The model currently has an input duration limit, processing audio inputs up to 30 seconds, which restricts its usability for longer audio tasks. Future work will focus on upgrading the language model to a newer version Pathumma-llm-text-1.0.0, and curating more refined and robust datasets to improve performance. Additionally, we aim to address and prioritize the safety and reliability of the model's outputs.

Acknowledgements

We are grateful to ThaiSC, also known as NSTDA Supercomputer Centre, for providing the LANTA that was utilised for model training and finetuning. Additionally, we would like to express our gratitude to the SALMONN team for making their code publicly available, and to Typhoon Audio at SCB 10X for making available the huggingface project, source code, and technical paper, which served as a valuable guide for us. Many other open-source projects have contributed valuable information, code, data, and model weights; we are grateful to them all.

Pathumma Audio Team

Pattara Tipaksorn, Wayupuk Sommuang, Oatsada Chatthong, Kwanchiva Thangthai

Citation

@misc{tipaksorn2024PathummaAudio,
    title        = { {Pathumma-Audio} },
    author       = { Pattara Tipaksorn and Wayupuk Sommuang and Kwanchiva Thangthai },
    url          = { https://huggingface.co/nectec/Pathumma-llm-audio-1.0.0 },
    publisher    = { Hugging Face },
    year         = { 2024 },
}

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
PathummaAudioModel
Ревизия весов
6ec0f48

0 моделей