/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
11 ГБ
Лицензия
Apache 2.0
Архитектура
fastslm · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
27 окт 2025

FastSLM

Генерация текстаТекст → текст10 профессий

FastSLM — дообученная на базе Qwen3-4B модель для распознавания речи, перевода аудио и ответов на вопросы по аудиозаписям.

89скачиваний за 30 дней1лайквеса обновлены2 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    6,48

    librispeech_clean_wer 1,95spgispeech_wer 2,32tedlium_wer 3,55
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

FastSLM — модель на базе Qwen3-4B, дообученная okestro-ai-lab для преобразования речи в текст и других задач понимания аудио. Она использует архитектуру FastSLM с плотной моделью условной генерации и адаптацией языковой модели к аудио; веса доступны в формате safetensors. Модель ориентирована на эффективную обработку длинных записей: в README заявлена обработка до восьми часов аудио на GPU с 40 ГБ памяти. Для вывода требуются GPU и специальный код модели в Transformers.

FastSLM поддерживает транскрибирование речи, перевод аудио в текст на другом языке, суммаризацию аудиозаписей и ответы на вопросы по их содержанию. README сообщает о сохранении возможностей исходной языковой модели для текстовых задач при отключении LoRA. В метаданных указаны английский и корейский языки; опубликованные материалы также упоминают стандартные тесты распознавания речи, но численные результаты здесь не приведены. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибирование длинных аудиозаписей
  • перевод речи в текст на другом языке
  • суммаризация аудиозаписей
  • ответы на вопросы по содержанию аудио
  • сохранение текстовых возможностей языковой модели при работе с речью

Ограничения

Для инференса требуется GPU; README рекомендует видеокарты NVIDIA A100 или H100 и указывает минимум 11,8 ГБ VRAM. Заявление об обработке до восьми часов аудио относится к GPU с 40 ГБ памяти.

Для каких профессий подходит10

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
  • FastSLM is an designed for efficient and accurate speech-to-text transcription.

Paper: FastSLM: Hierarchical Temporal Abstraction for Efficient Long-Form Speech Adaptation
Code: GitHub - Lee-junseok1025/FastSLM

📖 Model Architecture

🚀 FastSLM is a designed for efficient speech-to-text transcription.

🎉 Accepted at EMNLP 2026 Findings

📌 Key Features (Safe Version)

  • ⚡ Efficient long-form speech processing (Processes up to 8 hours of audio on a 40GB GPU)
  • 🧠 Adaptation of pre-trained LLMs to audio
  • ✅ Evaluation results on standard ASR benchmarks (WERs listed above)
  • 📝 Text Representation Preservation: Maintains the original LLM's capabilities for text-only tasks via the disable LoRA feature.

🚀 Getting Started

1. Installation

First, install the required libraries.

sudo apt install ffmpeg
# pip
torch==2.3.1
peft==0.14.0
librosa==0.11.0
transformers>=4.53.1
accelerate==0.34.2
einops==0.8.1
torchaudio==2.3.1
openai-whisper
soundfile

2. Load Model and Tokenizer

You can easily load the model using AutoModelForCausalLM.from_pretrained. This model includes custom code, so the trust_remote_code=True option is required.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig

# ⬅️ Enter your Hugging Face repository ID here.
repo_id = "okestro-ai-lab/FastSLM" 

model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    trust_remote_code=True,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(repo_id)
generation_config = GenerationConfig.from_pretrained(repo_id)

model.eval()

3. Sample Inference (Automatic Speech Recognition)

This example shows how to load an audio file and transcribe it to text.

import torch
import librosa

# 1. Load and resample the audio file
# ⬅️ Path to the audio file to be transcribed
wav_path = "sample_audio/English_audio.wav" 
wav,sample_rate  = librosa.load(wav_path)

# FastSLM requires 16kHz audio.
if sample_rate != 16000:
    audio = librosa.resample(wav,orig_sr=sample_rate,target_sr=16000)
else:
    audio = wav

# 2. Prepare the prompt and tokenize the prompt
# Automatic Speech Recognition (ASR) task
# Addiational Tasks: please refer to Supported Tasks
# A task token is not required, but it is recommended for achieving a more appropriate task.
TASK_TOKEN = "<|ASR|>" 
AUDIO_TOKEN = "<|audio_bos|><|AUDIO|><|audio_eos|>"
user_prompt = f"{TASK_TOKEN}{AUDIO_TOKEN}
Transcribe the audio clip into text."

prompt = [{"role": "user", "content": user_prompt}]
input_ids = tokenizer.apply_chat_template(
    prompt,
    add_generation_prompt=True,
    tokenize=True,
    return_tensors='pt'
).to(model.device)

# 3. Perform inference
# The model's generate function expects the audio input as a list.
audio_tensor = torch.tensor((audio,),dtype=torch.float32).cuda()

with torch.no_grad():
    with torch.cuda.amp.autocast(dtype=torch.bfloat16):
        output_ids = model.generate(
            input_ids=input_ids,
            audio=audio_tensor,
            generation_config=generation_config,
            max_new_tokens=256
        )

# 5. Decode the result
transcription = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0]

print("--- Transcription Result ---")
print(transcription)

📌 Supported Tasks

You can perform different tasks by using the following special tokens in your prompt:

  • <|ASR|>: Automatic Speech Recognition - Transcribes audio into text.
  • <|AST|>: Automatic Speech Translation - Translates audio into text of another language.
  • <|SSUM|>: Speech Summarization - Summarizes the content of an audio clip.
  • <|SQQA|>: Spoken Query-based Question Answering - Answers questions based on the content of an audio clip.

⚡ GPU Requirements

FastSLM inference requires a GPU with sufficient memory.

TaskRecommended GPUMinimum VRAM
InferenceNVIDIA A100 / H100≥ 11.8 GB

💡 Using mixed precision (bfloat16 or fp16) is recommended to reduce memory usage.

📖 Citation

@inproceedings{lee2026fastslm,
  title     = {FastSLM: Hierarchical Temporal Abstraction for Efficient Long-Form Speech Adaptation},
  author    = {Lee, Junseok and Chun, Chang-Jae},
  booktitle = {Findings of the Association for Computational Linguistics: EMNLP 2026},
  year      = {2026}
}

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
FastSLMForConditionalGeneration
Ревизия весов
7c6ebd3

0 моделей