/ Модель

Характеристики

Размер весов
16,7 ГБ
Лицензия
Своя лицензия
Архитектура
uas_audio · dense
Базовая модель
Qwen2.5-7B
Опубликована
3 апр 2026

Unified_Audio_Schema

Генерация текстаТекст → текст5 профессий

UAS-Audio — мультимодальная модель на базе Qwen2.5-7B для понимания аудио, распознавания речи, аудиоописания и синтеза речи.

143скачиваний за 30 дней11лайковвеса обновлены16 апр 2026

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

Unified Audio Schema (UAS-Audio) — аудиоязыковая модель, разработанная авторами проекта Unified Audio Schema на базе Qwen2.5-7B и обученная с использованием их схемы супервизии. Она принимает текст и аудио и может выдавать текст и аудио, поддерживая чередование модальностей. Модель предназначена для диалогов с текстовым или речевым вводом, распознавания речи, описания аудиособытий и синтеза речи.

Подход разделяет обучение на транскрипцию, паралингвистические характеристики и нелингвистические события, чтобы модель учитывала содержание речи и другие особенности аудио. Авторы сообщают о результатах на бенчмарках понимания аудио, ASR и TTS. Для восстановления звуковой волны из сгенерированных аудиотокенов требуется декодер StableToken. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия её использования следует сверить с карточкой репозитория.

Сценарии применения

  • распознавание речи из аудиозаписи
  • ответы на вопросы по содержанию аудио
  • создание текстового описания звуков и музыки
  • озвучивание текста синтезированной речью
  • диалог с моделью через текст и речь

Ограничения

Для восстановления звуковой волны из сгенерированных аудиотокенов требуется StableToken decoder. Условия лицензии с пометкой other нужно уточнить в карточке модели.

Для каких профессий подходит5

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

Beyond Transcription: Unified Audio Schema for Perception-Aware AudioLLMs

Unified Audio Schema is a novel holistic framework for audio supervision that disentangles and restructures supervision across transcription, paralinguistics, and non-linguistic events.

📄 Paper | 💻 GitHub

This repository provides our model checkpoints trained using Unified Audio Schema. For the complete codebase, please refer to the corresponding GitHub repository.

Model Details

AttributeValue
Input ModalityText and audio
Output ModalityText and audio
Base LLMQwen2.5-7B
Audio EncoderAuT encoder
Input Audio Representation Frame Rate12.5 Hz
Output Audio Token Codebook Size8,192
Output Audio Token Frame Rate25 Hz

Notes:

  • The model supports interleaved text and audio input/output, enabling flexible multimodal interactions.
  • Speech waveform reconstruction for generated audio tokens relies on the StableToken decoder.

Quick Start

Installation

git clone --recursive https://github.com/Tencent/Unified_Audio_Schema.git
cd Unified_Audio_Schema && pip install -r requirements.txt

Download Checkpoints

# Model weights
huggingface-cli download tencent/Unified_Audio_Schema --local-dir checkpoints/Unified_Audio_Schema

# StableToken decoder (required for speech waveform reconstruction)
huggingface-cli download tencent/StableToken --local-dir checkpoints/StableToken

Inference

import torch
import torchaudio
from src.model import UASAudio

model = UASAudio(
	model_path="checkpoints/Unified_Audio_Schema",
	audio_decoder_path="checkpoints/StableToken/decoder",
	device="cuda" if torch.cuda.is_available() else "cpu",
)

dialogue_system_prompt = (
	"User will provide you with a speech instruction. Do it step by step. "
	"First, think about the instruction and respond in a interleaved manner, "
	"with 13 text token followed by 52 audio tokens."
)

messages = [
	{"role": "system", "content": dialogue_system_prompt},
	{
		"role": "user",
		"content": [
			{"type": "audio", "audio": "assets/give_me_a_brief_introduction_to_the_great_wall.wav"},
		],
	},
	{"role": "assistant", "content": None},
]

generation_config = {
    "max_new_tokens": 4096,
    "temperature": 0.7,
    "repetition_penalty": 1.05,
    "top_p": 0.9,
    "do_sample": True
}

_, text, audio_tokens = model(messages, **generation_config)
print(text)

if len(audio_tokens) > 0:
	audio_array, sampling_rate = model.tokens_to_audio(audio_tokens)
	torchaudio.save("response.wav", audio_array, sampling_rate)

Supported Scenarios

Our model can be applied to a wide range of audio understanding and generation tasks, including:

  • Text-input conversation
  • Speech-input conversation
  • Automatic Speech Recognition (ASR)
  • Audio captioning
  • Text-to-Speech (TTS)

For more runnable examples, please refer to example_usage.ipynb in the GitHub repository.

Evaluation Highlights

UAS-Audio demonstrates strong performance on audio understanding, ASR, and TTS benchmarks.

Audio Understanding

ModelMMSU(Percep.)MMSU(Reason.)MMSU(Overall)MMAR(Speech)MMAR(Sound)MMAR(Music)MMAR(Overall)MMAU(Speech)MMAU(Sound)MMAU(Music)MMAU(Overall)Avg.
Kimi-Audio44.875.759.858.549.733.048.062.275.766.868.258.7
Qwen2.5-Omni42.777.658.159.958.840.856.770.678.165.971.562.1
Step-Audio242.973.257.661.254.642.256.868.279.368.472.761.9
Ours55.777.466.266.058.845.260.167.070.071.369.465.2

ASR & TTS

ModelASR(LS-clean)ASR(AISHELL-1)TTS(SeedTTS-en)TTS(SeedTTS-zh)
Qwen2.5-Omni--2.31.4
Step-Audio21.91.02.13.2
MiMo-Audio3.81.85.42.0
Ours2.22.31.71.4

Citation

If you find Unified Audio Schema or our model useful for your research, please cite:

@misc{zhang2026transcriptionunifiedaudioschema,
	title={Beyond Transcription: Unified Audio Schema for Perception-Aware AudioLLMs}, 
	author={Linhao Zhang and Yuhan Song and Aiwei Liu and Chuhan Wu and Sijun Zhang and Wei Jia and Yuan Liu and Houfeng Wang and Xiao Zhou},
	year={2026},
	eprint={2604.12506},
	archivePrefix={arXiv},
	primaryClass={cs.CL},
	url={https://arxiv.org/abs/2604.12506},
}

@inproceedings{song2026stabletoken,
	title={StableToken: A Noise-Robust Semantic Speech Tokenizer for Resilient Speech{LLM}s},
	author={Yuhan Song and Linhao Zhang and Chuhan Wu and Aiwei Liu and Wei Jia and Houfeng Wang and Zhou Xiao},
	booktitle={The Fourteenth International Conference on Learning Representations},
	year={2026},
	url={https://openreview.net/forum?id=17DNmdQ9aU}
}

License

This project is licensed under the License Term of Unified_Audio_Schema.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
UASAudioForCausalLM
Ревизия весов
8fb7827

0 моделей