/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
12 дек 2025

llm-codec

Генерация текстаТекст → текст3 профессии

LLM-Codec — дообученный нейрокодек для токенизации и восстановления речи, рассчитанный на использование в речевых языковых моделях и экспериментах с аудио.

200скачиваний за 30 дней0лайковвеса обновлены3 мая 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

LLM-Codec — нейрокодек речи, разработанный для представления аудио дискретными токенами, которые можно восстановить в звук и легче предсказывать авторегрессионной языковой модели. Это дообученная модель на базе Qwen/Qwen3-4B-Instruct-2507; в репозитории указаны плотная архитектура Qwen3, 3,7 млрд параметров и контекст 262 144 токена. Модель предназначена для токенизации речи, экспериментов с восстановлением аудио, обучения речевых языковых моделей на токенах и оценки кодеков. Она обучалась на LibriSpeech train-clean-100 с парными транскриптами, а проверялась также на валидационной части LibriSpeech.

При обучении использовались предсказание будущих токенов, семантическое выравнивание аудио и текста и несколько потерь на реконструкцию. Рабочий интерфейс кодека не требует вспомогательных голов FTP. LLM-Codec не является самостоятельной системой синтеза речи: для генерации речи её нужно включить в отдельный конвейер с речевой языковой моделью. Качество на неречевых и неанглийских аудио, разговорной речи, шуме и перекрывающихся голосах может быть ниже; проверка преимущественно проводилась на прочитанной речи. Модель может сохранять в коде информацию о голосе говорящего. Лицензия в предоставленных данных не указана.

Сценарии применения

  • токенизация речи для обучения речевой языковой модели
  • восстановление аудио из дискретных речевых токенов
  • оценка кодека в экспериментах типа Codec-SUPERB
  • анализ предсказуемости речевых токенов языковой моделью
  • сравнение методов кодирования речи на LibriSpeech

Ограничения

Обучение и проверка преимущественно основаны на прочитанной английской речи; качество может быть ниже на неанглийской и разговорной речи, музыке, шумном аудио и перекрывающихся голосах. Модель сама по себе не синтезирует речь, а код может сохранять сведения о личности говорящего.

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

LLM-Codec

LLM-Codec is a neural audio codec checkpoint trained to produce discrete audio tokens that are both reconstructable and easier for autoregressive language models to predict.

Model: https://huggingface.co/voidful/llm-codec

Code: https://github.com/voidful/llm-codec

Usage reference: https://github.com/voidful/Codec-SUPERB

Model Description

Most neural audio codecs are trained for waveform reconstruction. Spoken language models, however, consume codec tokens with a next-token prediction objective. This mismatch can make acoustically valid variation appear as token uncertainty to the language model.

LLM-Codec adapts a codec with language-model-facing objectives while keeping the deployed codec interface unchanged. The model is trained with:

  • Future Token Prediction (FTP): Medusa-style heads predict future audio tokens from frozen-LLM hidden states.
  • Semantic Alignment (SA): audio-induced hidden states are aligned with paired text hidden states inside a frozen LLM.
  • Differentiable Gumbel bridge: hard Gumbel-Softmax keeps discrete forward tokens while enabling gradients to flow to the codec encoder.
  • Reconstruction losses: mel, multi-scale mel, multi-resolution STFT, complex STFT, VQ, GAN, and feature matching losses.

The deployed codec does not require the auxiliary FTP heads.

Intended Use

This model is intended for research and development in:

  • audio tokenization for spoken language modeling
  • codec reconstruction experiments
  • token-level speech LM training
  • Codec-SUPERB style codec evaluation
  • speech token analysis and ablation studies

It is not a full text-to-speech system by itself. For speech generation, use the codec as the tokenizer/decoder inside a separate speech language modeling pipeline.

Out-of-Scope Use

Do not use this model for:

  • impersonation or unauthorized voice cloning
  • surveillance or speaker tracking without consent
  • high-stakes speaker, language, or identity decisions
  • generating deceptive audio content

Installation

The easiest inference path is through the Codec-SUPERB SoundCodec interface.

git clone https://github.com/voidful/Codec-SUPERB.git
cd Codec-SUPERB
pip install -r requirements.txt
export PYTHONPATH=$PWD:$PYTHONPATH

If your environment supports editable installs, this is also convenient:

pip install -e .

Quick Start

Load LLM-Codec through the Codec-SUPERB codec registry:

from SoundCodec import codec

print(codec.list_codec())
model = codec.load_codec("llmcodec")

Encode and reconstruct one audio file:

from SoundCodec import codec
import torchaudio
import soundfile as sf

model = codec.load_codec("llmcodec")

waveform, sample_rate = torchaudio.load("sample_audio.wav")
data_item = {
    "audio": {
        "array": waveform.numpy()[0],
        "sampling_rate": sample_rate,
    }
}

units = model.extract_unit(data_item).unit
print("Unit shape:", units.shape)

result = model.synth(data_item, local_save=False)
reconstructed = result["audio"]["array"]
reconstructed_sr = result["audio"].get("sampling_rate", sample_rate)

sf.write("reconstructed.wav", reconstructed, reconstructed_sr)

Batch Usage

Codec-SUPERB also provides batch APIs:

from SoundCodec import codec
import torchaudio

model = codec.load_codec("llmcodec")

audio_files = ["audio1.wav", "audio2.wav", "audio3.wav"]
data_list = []

for path in audio_files:
    waveform, sample_rate = torchaudio.load(path)
    data_list.append({
        "id": path,
        "audio": {
            "array": waveform.numpy()[0],
            "sampling_rate": sample_rate,
        },
    })

batch_units = model.batch_extract_unit(data_list)
batch_audio = model.batch_decode_unit(batch_units)

results = model.batch_synth(data_list, local_save=False)
for item in results:
    print(item["unit"].shape, item["audio"]["array"].shape)

For better throughput, group audio samples with similar lengths before batching.

Codec-SUPERB Evaluation

To evaluate LLM-Codec with Codec-SUPERB-tiny:

PYTHONPATH=. python3 scripts/dataset_creator.py \
  --dataset voidful/codec-superb-tiny

PYTHONPATH=. python3 scripts/benchmarking.py \
  --dataset datasets/voidful/codec-superb-tiny_synth \
  --models llmcodec

Model Files

The model repository provides:

  • codec weights as llm-codec.pt
  • a tokenizer extended with <CODEC_*> audio tokens
  • Qwen-compatible model artifacts containing trained audio-token embeddings

The codec uses 20,480 audio tokens with the canonical token format:

<CODEC_0>, <CODEC_1>, ..., <CODEC_20479>

Training Data

The codec was trained on LibriSpeech train-clean-100 with paired transcripts. The validation split used during training is LibriSpeech validation.

Because training is speech-centric and transcript-supervised, performance may be weaker on non-English speech, conversational speech, music, environmental audio, or audio with strong noise and overlap.

Training Procedure

Base components:

  • Base codec: AUV
  • Frozen LLM backbone: Qwen3-4B-Instruct
  • Token rate: 50 Hz
  • Audio vocabulary size: 20,480
  • Segment length: 4 seconds

Losses:

  • reconstruction mel loss
  • multi-scale mel loss
  • multi-resolution STFT loss
  • complex STFT loss with phase term
  • VQ commitment loss
  • Gumbel bridge cross entropy
  • Future Token Prediction loss
  • Semantic Alignment cosine loss
  • Semantic Alignment contrastive loss with memory bank
  • MPD/MSD GAN and feature matching losses

Evaluation Results

Token Learnability

SALMon speech coherence accuracy after token-level LM training:

TokenizerOverall accuracy
WavTok-L48.3
BigCodec49.4
UniCodec50.1
AUV49.4
LLM-Codec61.6

Token-level perplexity on LibriSpeech after 3 epochs of LM training:

TokenizerEval lossPerplexity
WavTok-L11.91148,122
UniCodec11.92150,197
BigCodec11.96156,448
AUV11.98159,768
LLM-Codec8.444,617

Reconstruction Quality

Codec-SUPERB-tiny speech reconstruction:

ModelMel lower is betterSTFT lower is betterPESQ higher is betterSTOI higher is better
AUV base0.7621.6482.0940.850
LLM-Codec0.7241.5992.1020.859

Limitations

  • The semantic alignment objective depends on paired speech and text.
  • The model is primarily validated on read speech.
  • Downstream generation quality depends on the separate speech language model.
  • The model may preserve speaker identity information present in the input.
  • The Hugging Face transformers artifacts are not a standalone text chatbot; they accompany the codec/tokenizer workflow.

Citation

@article{chung2026llm,
  title={LLM-Codec: Neural Audio Codec Meets Language Model Objectives},
  author={Chung, Ho-Lam and Chen, Yiming and Lee, Hung-yi},
  journal={arXiv preprint arXiv:2604.17852},
  note = {Model and code available at https://github.com/voidful/llm-codec},
  year={2026}
}

If you use the Codec-SUPERB interface or benchmark, please also cite Codec-SUPERB:

@inproceedings{wu-etal-2024-codec,
  title = {Codec-SUPERB: An In-Depth Analysis of Sound Codec Models},
  author = {Wu, Haibin and Chung, Ho-Lam and Lin, Yi-Cheng and Wu, Yuan-Kuei and Chen, Xuanjun and Pai, Yu-Chi and Wang, Hsiu-Hsuan and Chang, Kai-Wei and Liu, Alexander and Lee, Hung-yi},
  booktitle = {Findings of the Association for Computational Linguistics: ACL 2024},
  year = {2024},
  url = {https://aclanthology.org/2024.findings-acl.616},
  doi = {10.18653/v1/2024.findings-acl.616},
  pages = {10330--10348}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
a0ef01c

0 моделей