/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Step-Audio-2-mini
Библиотека
transformers
Опубликована
11 июн 2026

stepaudio2-mini-luganda-english-s2st

Генерация текстаТекст → текст

Дообученная Step-Audio 2 Mini переводит входящую речь на луганда в английскую речь.

0скачиваний за 30 дней0лайковвеса обновлены11 июн 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

Step-Audio 2 Mini Luganda-to-English S2ST — дообученная и объединённая с LoRA-адаптером модель на базе StepFun AI Step-Audio-2-mini. Она принимает речь на луганда и предназначена для сквозного перевода в английскую речь; для синтеза волны могут использоваться компоненты token2wav и официальный runtime Step-Audio 2. В проверке на 200 примерах дообученная модель заметно улучшила текстовые метрики относительно базовой, но каскадная система показала более высокие BLEU, chrF и семантические оценки. Результаты объединённой версии перенесены из оценки модели с адаптером и могут отличаться при повторном запуске.

Модель рассчитана на исследования и разработку перевода речи с луганда на английский. Перед применением в производстве результаты следует проверять с носителями луганда. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • сквозной перевод устной речи с луганда на английский
  • создание демонстраций систем речевого перевода
  • исследование перевода речи на языках с ограниченными ресурсами

Ограничения

Оценка выполнена на ограниченной выборке; для строгой воспроизводимости её нужно повторить непосредственно на объединённом репозитории. Перед производственным использованием перевод следует проверять с носителями луганда; каскадная система превзошла модель по ряду текстовых и семантических метрик.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Step-Audio 2 Mini Luganda-to-English S2ST

This repository contains a full merged model for Luganda speech input to English speech translation output. It was created by merging the LoRA adapter yigagilbert/stepaudio2-mini-luganda-english-s2st-lora into stepfun-ai/Step-Audio-2-mini.

The separate adapter-only repository should remain available for users who prefer PEFT loading or want the smaller adapter artifact. This repository is intended for simpler deployment and inference where loading a single model repo is preferable.

Intended Use

Research and development for Luganda-to-English speech translation. Validate outputs with native speakers before production use.

Source Model and Adapter

  • Base model: stepfun-ai/Step-Audio-2-mini
  • LoRA adapter: yigagilbert/stepaudio2-mini-luganda-english-s2st-lora
  • Merge script: scripts/push_full_model_to_hub.py

Evaluation Summary

The table below summarizes the held-out validation evaluation used during development. All text metrics were computed on 200 validation examples. Speech metrics were computed on the aligned 197-example subset for which generated audio existed.

This full model was created by merging the LoRA adapter into the base model. The metrics below were generated with the adapter-loaded fine-tuned model before merge; the merged model contains the same adapted weights and is expected to match these results aside from normal deterministic or runtime differences. Re-run evaluation directly on this repository before a strict release if exact reproducibility is required.

Text and Semantic Metrics

SystemLoading FormCountBLEU higherchrF higherWER lowerCOMET higherBLASER ref higherBLASER QE higher
Base Step-Audio-2-miniBase only2000.0125.15210.7020.3861.7132.164
Fine-tuned Step-AudioBase + LoRA adapter20032.53054.5350.5740.7173.7623.723
This full merged modelSame adapted weights, merged20032.530*54.535*0.574*0.717*3.762*3.723*
Cascade baselineASR + MT + TTS20036.77857.9710.5210.7373.8393.776

* The full merged row reflects the adapter evaluation because this repository is produced by folding the evaluated LoRA adapter into the same base model.

Speech Metrics

SystemCountchrF higherSpeechBERT P higherSpeechBERT R higherSpeechBERT F1 higherMCD lower
Fine-tuned Step-Audio19754.5820.6440.6480.645629.718
This full merged model19754.582*0.644*0.648*0.645*629.718*
Cascade baseline19757.8930.6030.6220.612613.212

The unfine-tuned base model emitted no valid speech-token sequences in this 200-sample run, so SpeechBERTScore and MCD were not computed for it.

Interpretation

The fine-tuned Step-Audio model substantially improves over the base model and becomes a viable end-to-end Luganda-to-English speech translation system. The cascade remains stronger on text and semantic metrics, while the fine-tuned Step-Audio system is simpler to deploy and scored higher on the WavLM-based SpeechBERTScore F1 proxy.

Notes

If this repository includes token2wav/, those assets are provided to support waveform synthesis from generated audio tokens. Some inference clients may still use the official Step-Audio2 runtime code for token-to-waveform conversion.

License

The training code and adapter metadata are Apache-2.0. Because this merged repository contains base-model weights, users must also comply with the base model license and any dataset licensing constraints.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
cd0bcae

0 моделей