/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
MIT
Архитектура
speech_language_model · dense
Базовая модель
Qwen2.5-0.5B
Библиотека
transformers
Опубликована
18 фев 2025

slam

Обработка аудиоАудио → аудио3 профессии

SLAM — дообученная на речевых токенах модель SLP-RL для генерации продолжений аудио.

35скачиваний за 30 дней11лайковвеса обновлены25 фев 2025

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

SLAM — речевая языковая модель SLP-RL для генерации продолжений речи. Она дообучена на Qwen/Qwen2.5-0.5B и предсказывает последовательности дискретных речевых токенов HuBERT, полученных из 11-го слоя mhubert-25hz; размер словаря речевых токенов — 500. Модель принимает аудио и предназначена для генерации речевого продолжения, а также может служить основой для дальнейшего дообучения.

Обучение включало подмножества LibriSpeech и Libri-Light, синтетический корпус sTinyStories и этап DPO на SpokenSwag. Контекст базовой модели — 32 768 токенов. Карточка предупреждает, что данные в основном состоят из аудиокниг и историй, поэтому выходы не следует считать фактически достоверными. Лицензия — MIT.

Сценарии применения

  • генерация продолжения речевого фрагмента
  • создание продолжения аудиокнижного повествования
  • эксперименты с речевыми языковыми моделями
  • дальнейшее дообучение модели для генерации речи

Ограничения

Модель обучена преимущественно на аудиокнигах и историях, поэтому её выходы не следует считать фактически достоверными. Для генерации она оперирует дискретными речевыми токенами HuBERT.

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

Model Card for SLAM

This is a Speech Language Model trained for generating speech continuations over discrete Hubert tokens.

Model Details

Model Description

This is a Speech Language Model, introduced in "Slamming: Training a Speech Language Model on One GPU in a Day", focusing on efficient training. It was fine-tuned from Qwen/Qwen2.5-0.5B over a vocabulary of 500 speech tokens extracted from the 11-th layer of mhubert-25hz. For a stronger version of the model trained with slightly more compute - 2*A100 for 2 days, see slam_scaled.

The model was trained by next-token prediction over a subset of LibriSpeech, Libri-Light and a synthetic data sTinyStories. It was then trained with DPO over SpokenSwag.

Model Sources

Uses

This is a base SpeechLM and as such can be used to generate continuations for speech segments, or as base for further tuning. See the SlamKit codebase for more details on usage, and checkout the demo page for some generation examples

Out-of-Scope Use

This model was trained on curated speech datasets which contain mainly audio-books and stories, as such the outputs should not be treated as factual in any way.

How to Get Started with the Model

We refer users to the official repository for full usage explanations - github.

Training Details

We highly encourage users to read the full paper, for full training details, a brief overview is provided below.

Training Data

This model was trained on a subset of LibriSpeech train, Libri-Light and the synthetic dataset sTinyStories for the pre-training phase. It was also trained with DPO on the synthetic dataset SpokenSwag.

Training Procedure

This model was trained by next token prediction over several datasets, and then trained with DPO over SpokenSwag. Please refer to the paper or code for the full training recipes.

Preprocessing

Speech tokens are extracted from the audio using Hubert-25hz, and quantised using the official kmeans released with the model in textlesslib. Units are de-duplicated. We encourage you to explore the official repository for full details - github.

Evaluation

The paper provides full results, we do give here some results and also refer to the demo page to listen to some samples.

ModelCompute (GPU days)ParameterssBLIMP ↑sStoryCloze ↑tStoryCloze ↑GenPPL ↓Auto-BLEU ↓
TWIST-1.3B160xV1001B57.0052.470.6131.83.20
TWIST-7B?7B59.0055.374.193.73.06
TWIST-13B?13B59.2055.476.4--
Scaled Optimal?823M61.356.778.0--
Predicted Optimal1xA500078M56.8554.0970.49--
TWIST-350M (Original recipe)1xA5000305M51.52 ± .1953.65 ± .5768.80 ± .47259.2 ± 6.73.26 ± .46
Slam (-DPO) (ours)1xA5000358M56.45 ± .1755.59 ± .3078.01 ± .2788.3 ± 1.03.47 ± .17
Slam (ours)1xA5000358M58.86 ± .2058.04 ± .5182.04 ± .2162.8 ± 4.13.88 ± .11

Compute Infrastructure

This model was trained as part of "Slamming: Training a Speech Language Model on One GPU in a Day", focusing on efficient training.

Hardware

This model was trained using only a single Nvidia A5000 GPU, 16 CPU cores and 24 GB of RAM for 24 hours.

Software

The model was trained using the SlamKit codebase which builds upon 🤗transformers extending it to support easy and efficient training of Speech Language Models.

Citation

BibTeX:

@misc{maimon2025slamming,
      title={Slamming: Training a Speech Language Model on One GPU in a Day}, 
      author={Gallil Maimon and Avishai Elmakies and Yossi Adi},
      year={2025},
      eprint={2502.15814},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2502.15814}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
UnitLM
Ревизия весов
60f1002

0 моделей