/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
8,2 ГБ
Лицензия
Apache 2.0
Архитектура
audio8_asr_infinite · dense
Библиотека
transformers
Опубликована
23 сен 2026

Audio8-ASR-Infinite

Генерация текстаТекст → текст

Потоковая модель для транскрибирования китайской и английской речи в реальном времени, в том числе в длительных аудиопотоках.

38скачиваний за 30 дней0лайковвеса обновлены23 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

Audio8 ASR Infinite — потоковая модель распознавания речи, разработанная SuryaT Modulus. Она предназначена для транскрибирования китайской и английской речи в реальном времени, включая длительные аудиопотоки. Модель поддерживает аудиочасы с шагом 80, 120 или 160 мс и настраиваемую задержку транскрипции от 240 до 560 мс; скользящий KV-кэш позволяет поддерживать ограниченные задержку и расход памяти при длительной работе.

Архитектура основана на потоковой аудиосистеме Voxtral Realtime и использует причинный аудиоблок, проектор и текстовый декодер. В README приведены результаты сравнения на тестах китайской и английской речи; показатели зависят от набора данных и настроек задержки. Это предварительная версия для базовой транскрипции: заявленная потоковая семантическая обработка ещё разрабатывается. Для оптимальной производительности рекомендуется использовать указанные разработчиком сочетания длины кадра и задержки. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибирование китайской речи в реальном времени
  • транскрибирование английской речи в реальном времени
  • распознавание речи в длительном непрерывном аудиопотоке
  • настройка задержки транскрипции для потокового ASR

Ограничения

Это предварительная версия, ориентированная на транскрипцию; потоковая семантическая обработка пока разрабатывается. Для некоторых сочетаний шага аудиочасов и задержки качество может быть неоптимальным, поскольку постобучены только указанные в README настройки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Audio8 ASR Infinite

Hugging Face GitHub arXiv License

Audio8 ASR Infinite is a native streaming speech recognition model built to be as responsive as possible. It offers a selectable audio clock (80/120/160 ms) and a transcription delay (240–560 ms). With our adapted vLLM build it transcribes unlimited-length audio 24/7 without drifting.

Highlights

  • Super responsive — the native streaming architecture decodes 12.5 times per second.
  • Unlimited-length transcription — a rolling KV cache keeps memory and latency bounded, even in 24/7 operation.
  • Selectable streaming clock — one text token per clock step (12.5 / 8.3 / 6.25 decisions per second), balancing perception granularity and resource cost.
  • Configurable transcription delay — set how much delay to trade for accuracy.
  • Semantic VAD — distinguishes thinking pauses, stuttering and real end of turn, where traditional acoustic VAD fails.
  • Bilingual — Chinese and English.

Optimized operation points

The following combinations of frame length and delay are post-trained. Other combinations can be used but performance may not be optimum.

audio clockframe_lenstreaming_n_left_pad_tokensselectable target_delay_ms
80 ms418240 / 320 / 480 / 560
120 ms612240 / 480
160 ms89320 / 480

target_delay_ms must be an integer multiple of the selected clock, so longer delays stay available at every clock even when they are not listed above.

Architecture

Inherits the Voxtral realtime audio architecture and DSM-style streaming.

ComponentInitial weightsTrained
Causal Audio TowerVoxtral Realtime 4B✅
Audio Projectorrandom initialisation✅
Frame Length Embeddingrandom initialisation✅
DecoderQwen2.5-3B-Instruct✅
LM HeadQwen2.5-3B-Instruct✅

Checkpoint specification:

audio tower32 layers, hidden 1280, 128 mel bins, sliding window 750
text decoder36 layers, hidden 2048, 16 query heads / 2 KV heads
projectormax frame len 8 → projection size 10240, gelu
frame-length conditioningenabled (use_frame_len_embedding: true)
semantic VAD headssemantic_vad_heads.safetensors, 8 classes, horizons 0.5 / 1.0 / 2.0 / 3.0 s
vocab size151936
dtypebfloat16
weights8.17 GB model.safetensors (+ semantic_vad_heads.safetensors)

Roadmap

This is the preview release: it delivers the transcription base. Realtime semantic perception is being built on the same frame grid and the same acoustic forward pass.

StageStatusScope
Preview — ASR base✅ doneStreaming Chinese/English transcription: selectable 80/120/160 ms clock, configurable target_delay_ms, unlimited-length rolling KV window
Formal release🏃in progressFrame-level semantic perception on the same grid, beyond transcription

Evaluation

480 ms Delay, 80ms frame length

test setmetricAudio8 ASR InfiniteVoxtral-Mini-4B-Realtime-2602nemotron-3.5-asr-streaming-0.6b
aishell1/testCER1.75016.79512.927@560ms
aishell4/testCER2.89316.45614.677@560ms
librispeech test.cleanWER3.0422.2103.353@560ms
librispeech test.otherWER6.8085.5527.140@560ms
average3.62310.253 (2 sets)9.524

Greedy decode with EOS suppressed, at the 80 ms audio clock with target_delay_ms = 480 (6 delay tokens). Error rates in percent. No repetition loops and no dropped trailing words.

Usage

Programmatic simulated-streaming decode with the embedded remote code:

import numpy as np
import torch
from transformers import AutoFeatureExtractor, AutoTokenizer

from audio8_asr_infinite.modeling.modeling_audio8_asr_infinite import (
    Audio8ASRInfiniteForConditionalGeneration,
    resolve_qwen_language_token_id,
    resolve_qwen_streaming_special_token_ids,
)
from audio8_asr_infinite.streaming_inference import simulated_streaming_greedy_decode_batch

checkpoint = "Edge0/Audio8-ASR-Infinite"
tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
feature_extractor = AutoFeatureExtractor.from_pretrained(checkpoint, trust_remote_code=True)
model = Audio8ASRInfiniteForConditionalGeneration.from_pretrained(
    checkpoint, trust_remote_code=True, torch_dtype=torch.bfloat16
).eval().cuda()

class AudioConfig:  # duck-typed: raw_audio_samples_per_token / streaming_n_left_pad_tokens / sampling_rate
    raw_audio_samples_per_token = 1280   # 80 ms @ 16 kHz
    streaming_n_left_pad_tokens = 18
    sampling_rate = 16000

waveform = np.load("sample.npy", allow_pickle=False).astype(np.float32)  # [-1, 1], 16 kHz mono
results = simulated_streaming_greedy_decode_batch(
    model=model,
    tokenizer=tokenizer,
    feature_extractor=feature_extractor,
    waveforms=[waveform],
    language_token_ids=[resolve_qwen_language_token_id(tokenizer, "zh")],
    special_ids=resolve_qwen_streaming_special_token_ids(tokenizer),
    audio_config=AudioConfig(),
    num_delay_tokens=[480 // 80],
    right_pad_text_tokens=10,
    dtype=torch.bfloat16,
    device=next(model.parameters()).device,
    max_new_tokens=512,
)
print(results[0]["final_text"])

Only a full merged weight directory is supported (this repository as-is); adapter-style or partially converted weights are not.

24/7 inference with vLLM

Docker compose is the canonical deployment path; it also serves the web demo:

cd docker
AUDIO8_MODEL_DIR=/path/to/checkpoint docker compose up -d

Verify with the web client shipped in the same stack:

http://localhost:8080/     # plain HTTP
https://localhost:8443/    # TLS proxy; accept the self-signed certificate

The same socket can be driven from a terminal:

python -m audio8_asr_infinite.examples.vllm_realtime_client \
    --ws-url ws://127.0.0.1:18191/v1/realtime \
    --audio sample.wav --language zh --target-delay-ms 480 --pace

18191 is the host port published by docker/docker-compose.yml; the service itself listens on 18190 inside the compose network. The rolling KV window is 30 s with exact RoPE re-basing, which is what keeps memory and latency bounded over 24/7 operation.

Torch inference (simulated streaming decode)

python -m audio8_asr_infinite.examples.torch_streaming_decode \
    --checkpoint /path/to/checkpoint \
    --audio sample.wav --language zh --transcription-delay-ms 480

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
Audio8ASRInfiniteForConditionalGeneration
Ревизия весов
581b2f2

0 моделей