/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
19,4 ГБ
Лицензия
Llama 3.1
Архитектура
typhoon2audio · dense
Библиотека
transformers
Опубликована
13 дек 2024

llama3.1-typhoon2-audio-8b-instruct

Генерация текстаТекст → текст3 профессии

Экспериментальная тайско-английская модель Typhoon2-Audio принимает речь или текст и генерирует текстовые и речевые ответы.

2 899скачиваний за 30 дней15лайковвеса обновлены26 авг 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

Typhoon2-Audio — разработанная командой Typhoon Team сквозная речевая модель архитектуры Typhoon2Audio, основанная на LLM Typhoon2. Модель содержит 7,5 млрд параметров и предназначена для работы с аудио, речью и текстом: принимает аудио- и текстовые входы, одновременно формируя текстовый и речевой ответ. Поддерживает тайский и английский языки, оптимизирована для тайского; заявленная длина контекста — 131 072 токена.

Модель подходит для распознавания и понимания речи, ответов на вопросы по аудио, перевода между тайским и английским, а также генерации речи и речевых ответов. В README приведены результаты оценивания распознавания речи, перевода и синтеза, но качество зависит от языка и задачи; для английской речи в оценке качества синтеза результаты модели заметно уступают сравниваемым системам. Карточка характеризует модель как экспериментальную: она может неточно выполнять инструкции и галлюцинировать, а встроенных механизмов модерации нет. Для речевого ввода и LLM указана лицензия Llama 3.1 Community License, для речевого вывода — CC-BY-NC.

Сценарии применения

  • распознавание тайской и английской речи
  • ответы на вопросы по аудиозаписям
  • перевод речи с английского на тайский
  • перевод речи с тайского на английский
  • генерация речевых ответов на тайском
  • преобразование текста в речь

Ограничения

Модель экспериментальная, может неточно следовать инструкциям и галлюцинировать; встроенной модерации нет. В оценке README качество синтеза английской речи заметно ниже качества тайской речи.

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

Typhoon2-Audio

Typhoon2-Audio is an end-to-end speech-to-speech model architecture capable of processing audio, speech, and text inputs and generating both text and speech outputs simultaneously. It is optimized specifically for Thai, but it also supports English.

Model Description

  • Model type: The LLM is based on Typhoon2 LLM.
  • Requirement: Python==3.10 & transformers==4.52.2 & fairseq==0.12.2 & flash-attn
  • Primary Language(s): Thai 🇹🇭 and English 🇬🇧
  • License-Speech-Input & LLM: Llama 3.1 Community License
  • License-Speech-Output: CC-BY-NC

Installation

pip install pip==24.0
pip install transformers==4.45.2
pip install fairseq==0.12.2 # fairseq required pip==24.0 to install & only worked only on python 3.10
pip install flash-attn

Usage

Load Model

import torch
from transformers import AutoModel
model = AutoModel.from_pretrained(
    "scb10x/llama3.1-typhoon2-audio-8b-instruct",
    torch_dtype=torch.float16, 
    trust_remote_code=True
)
model.to("cuda")

Inference - Single turn example

conversation = [
    {"role": "system", "content": "You are a helpful female assistant named ไต้ฝุ่น."},
    {
        "role": "user",
        "content": [
            {
                "type": "audio",
                "audio_url": "examples/tmp-2860cd0a094b64043226167340af03a3.wav",
            },
            {"type": "text", "text": "Transcribe this audio"},
        ],
    },
]
x = model.generate(
    conversation=conversation,
    max_new_tokens=500,
    do_sample=True,
    num_beams=1,
    top_p=0.9,
    repetition_penalty=1.0,
    length_penalty=1.0,
    temperature=0.7,
)
# x => x['text'] (text), x['audio'] (numpy array)
# to save the audio output
# import soundfile as sf
# sf.write("examples/speechout.wav", x["audio"]["array"], x["audio"]["sampling_rate"])

Inference - Multi turn example

conversation_multi_turn = [
    {
        "role": "system",
        "content": "You are a helpful female assistant named ไต้ฝุ่น. Respond conversationally to the speech provided in the language it is spoken in.",
    },
    {
        "role": "user",
        "content": [
            {
                "type": "audio",
                "audio_url": "examples/tmp-2860cd0a094b64043226167340af03a3.wav",
                # บอกชื่อเมืองใหญ่ๆในอเมริกามาให้หน่อยสิ -- "List some names of US cities"
            },
            {
                "type": "text",
                "text": "",
            },
        ],
    },
    {
        "role": "assistant",
        "content": [
            {
                "type": "text",
                "text": "โอเคค่ะ, ฉันจะบอกชื่อเมืองใหญ่ๆ ในอเมริกาให้คุณฟัง:\n\n1. นิวยอร์ก\n2. ลอสแอนเจลิส\n3. ชิคาโก\n4. ฮิวสตัน\n5. ฟิลาเดลเฟีย\n6. บอสตัน\n7. ซานฟรานซิสโก\n8. วอชิงตัน ดี.ซี. (Washington D.C.)\n9. แอตแลนต้า\n10. ซีแอตเทิล\n\nถ้าคุณต้องการข้อมูลเพิ่มเติมหรือมีคำถามอื่นๆ กรุณาถามได้เลยค่ะ'",
            },
        ],
    },
    {
        "role": "user",
        "content": [
            {
                "type": "audio",
                "audio_url": "examples/tmp-2284cd76e1c875525ff75327a2fc3610.wav",
                # แล้วถ้าเป็นประเทศอังกฤษล่ะ -- "How about the UK"

            },
        ],
    },
]
x = model.generate(conversation=conversation_multi_turn)
# x => x['text'] (text), x['audio'] (numpy array)
# to save the audio output
# import soundfile as sf
# sf.write("examples/speechout.wav", x["audio"]["array"], x["audio"]["sampling_rate"])

TTS functionality

y = model.synthesize_speech("Hello, my name is ไต้ฝุ่น I am a language model specialized in Thai")
# y => numpy array

Evaluation Results

  • 1) Audio and Speech Understanding
ModelASR-en (WER↓)ASR-th (WER↓)En2Th (BLEU↑)X2Th (BLEU↑)Th2En (BLEU↑)
SALMONN-13B5.7998.070.070.1014.97
DiVA-8B30.2865.219.825.317.97
Gemini-1.5-pro-0015.9813.5620.6913.5222.54
Typhoon-Audio8.7214.1717.5210.6724.14
Typhoon2-Audio5.8314.0427.1515.9333.25
ModelGender-th (Acc)SpokenQA-th (F1)SpeechInstruct-(en,th)
SALMONN-13B93.262.952.47, 1.18
DiVA-8B50.1215.136.81, 2.68
Gemini-1.5-pro-00181.3262.103.24, 3.93
Typhoon-Audio93.7464.605.62, 6.11
Typhoon2-Audio75.6570.016.00, 6.79
  • 2) Speech-to-Speech Evaluation

  • 2.1) Content Generation

ModelSpeechIF(En)-QualitySpeechIF(En)-StyleSpeechIF(Th)-QualitySpeechIF(Th)-Style
Llama-Omni5.155.791.712.14
GPT-4o-Audio6.827.866.668.07
Typhoon2-Audio4.925.397.198.04
  • 2.2) Speech Quality
ModelSpeechIF(En)-CERSpeechIF(En)-UTMOSSpeechIF(Th)-CERSpeechIF(Th)-UTMOS
Llama-Omni*3.403.936.303.93
GPT-4o-Audio3.203.658.053.46
Typhoon2-Audio26.502.298.672.35

*Note that Llama-Omni does not generate Thai text/speech, so it has low CER and high UTMOS due to the outputs being English.

Intended Uses & Limitations

This model is experimental and may not always follow human instructions accurately, making it prone to generating hallucinations. Additionally, the model lacks moderation mechanisms and may produce harmful or inappropriate responses. Developers should carefully assess potential risks based on their specific applications.

Follow us & Support

Acknowledgements

We would like to thank the SALMONN team and the Llama-Omni team for open-sourcing their code and data, and thanks to the Biomedical and Data Lab at Mahidol University for releasing the fine-tuned Whisper that allowed us to adopt its encoder. Thanks to many other open-source projects for their useful knowledge sharing, data, code, and model weights.

Typhoon Team

Potsawee Manakul, Warit Sirichotedumrong, Kunat Pipatanakul, Pittawat Taveekitworachai, Natapong Nitarach, Surapon Nonesung, Teetouch Jaknamon, Parinthapat Pengpun, Pittawat Taveekitworachai, Adisai Na-Thalang, Sittipong Sripaisarnmongkol, Krisanapong Jirayoot, Kasima Tharnpipitchai

Citation

  • If you find Typhoon2 useful for your work, please cite it using:
@misc{typhoon2,
      title={Typhoon 2: A Family of Open Text and Multimodal Thai Large Language Models}, 
      author={Kunat Pipatanakul and Potsawee Manakul and Natapong Nitarach and Warit Sirichotedumrong and Surapon Nonesung and Teetouch Jaknamon and Parinthapat Pengpun and Pittawat Taveekitworachai and Adisai Na-Thalang and Sittipong Sripaisarnmongkol and Krisanapong Jirayoot and Kasima Tharnpipitchai},
      year={2024},
      eprint={2412.13702},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2412.13702}, 
}

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
Typhoon2Audio2AudioForConditionalGeneration
Ревизия весов
3bf1f90

0 моделей