/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
155 млрд
Размер весов
264 ГБ
Лицензия
Apache 2.0
Архитектура
step1 · dense
Опубликована
13 фев 2025

Step-Audio-Chat

Генерация текстаТекст → текст4 профессии

Мультимодальная модель StepFun для распознавания, понимания и генерации речи в диалоговых сценариях.

450скачиваний за 30 дней461лайквеса обновлены17 фев 2025

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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-Chat — мультимодальная языковая модель семейства Step1 от StepFun, компонент системы Step-Audio. Она предназначена для понимания и генерации человеческой речи и объединяет распознавание речи, семантическое понимание аудио, диалоговое управление, клонирование голоса и синтез речи. Архитектура — плотная Step1ForCausalLM; метаданные указывают 155,4 млрд параметров, а README — 130 млрд. Модель принимает аудио и текст и предназначена для диалоговых сценариев с речью.

Для модели опубликованы веса в формате safetensors. Лицензия — Apache-2.0. Карточка упоминает оценки на аудиотестах, но доступные сведения не содержат конкретных результатов, поэтому качество отдельных функций по ним оценить нельзя.

Сценарии применения

  • распознавание речи из аудиозаписей
  • ответы на вопросы по содержанию аудио
  • диалог с голосовым ассистентом
  • управление ходом голосового диалога
  • клонирование голоса
  • синтез речи из текста

Ограничения

В доступной карточке не приведены конкретные численные результаты тестирования. Число параметров расходится: README указывает 130 млрд, а метаданные — 155,4 млрд.

Для каких профессий подходит4

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

1. Step-Audio-Chat

This repository contains the Multimodal Large Language Model (LLM) component of Step-Audio. It is a 130 billion parameter multimodal LLM that is responsible for understanding and generating human speech. The model is specifically designed to seamlessly integrate functions such as speech recognition, semantic understanding, dialogue management, voice cloning, and speech generation.

2. Evaluation

2.1 LLM judge metrics(GPT-4o) on StepEval-Audio-360

*Note: Moshi are marked with "*" and should be considered for reference only.

2.2 Public Test Set

Note: Results marked with "*" on TriviaQA dataset are considered for reference only.

TriviaQA dataset marked with "*" indicates results are for reference only.

2.3 Audio instruction following

3. More information

For more information, please refer to our repository: Step-Audio.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Step1ForCausalLM
Ревизия весов
e0335e2

0 моделей