/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
13,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
23 мая 2026

AudioInteraction

Генерация текстаТекст → текст5 профессий

Потоковая аудиоязыковая модель, которая слушает звук по фрагментам и генерирует текстовые ответы для разговорных систем реального времени.

106скачиваний за 30 дней26лайковвеса обновлены16 июн 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

Audio-Interaction — потоковая модель диалога с аудио на входе и текстом на выходе. По карточке модель использует аудиокодировщик Qwen2.5-Omni и языковую часть Qwen2; метаданные указывают 3,1 млрд параметров, контекст 32 768 токенов и библиотеку Transformers. Модель обрабатывает звук последовательными фрагментами и на каждом решает, продолжать ли слушать или начать текстовый ответ.

Она предназначена для голосовых ассистентов и диалоговых систем, которым важно реагировать до завершения всей реплики. Поддерживает потоковое взаимодействие, а также офлайн-сценарии распознавания речи и перевода речи в текст. В режиме слушания выдаёт управляющие маркеры, а в режиме ответа генерирует текст; синтеза речи нет. Входной звук рассчитан на моно 16 кГц, решения принимаются с шагом 0,4 секунды, а неполные хвостовые фрагменты короче 10 кадров отбрасываются. Для голосового ответа модель нужно дополнить системой TTS. Лицензия — Apache-2.0.

Сценарии применения

  • создание голосового ассистента, реагирующего до конца реплики
  • распознавание речи в потоковом аудио
  • перевод речи в текст
  • реакция на звуковые события и сигналы
  • построение диалоговой системы с малой задержкой

Ограничения

Модель генерирует текст, а не речь; для голосового ответа требуется отдельная система TTS. Вход должен быть монофоническим аудио 16 кГц; решения принимаются с шагом 0,4 секунды, а хвостовые фрагменты короче 10 кадров отбрасываются.

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

Audio-Interaction: Streaming Audio-In, Text-Out Conversational Model

Project Page | Code | Model | Dataset | Paper

Audio-Interaction is a unified streaming model that listens to audio in real time and decides, at each audio chunk, whether to keep listening or to start replying with text. It formalizes the "perceive-decide-respond" loop, allowing the model to handle conventional offline tasks (ASR, S2TT) while adding online capabilities like proactive intervention and real-time voice chatting.

The model alternates between a LISTENING state, where it consumes one encoder-output chunk per step and emits either KEEP_SILENCE or TEXT_BEGIN, and a SPEAKING state, where it autoregressively generates a text turn until TEXT_END and then returns to listening for the next chunk.

Model Details

  • Model name: Audio-Interaction
  • Task: Streaming audio-conditioned text generation (audio in, text out)
  • Audio encoder: Qwen2.5-Omni audio tower (chunk-wise)
  • Audio framing: 16 kHz, padded to 0.4-second (6400-sample) boundaries; 10 encoder-output frames per chunk
  • Decoding states: LISTENING (emits KEEP_SILENCE / TEXT_BEGIN) and SPEAKING (emits text until TEXT_END)
  • Default sampling: temperature 0.3, top-k 3
  • Default max new tokens: 4096 per session
  • License: Apache-2.0

Repository Contents

Audio-Interaction/
├── model-00001-of-00004.safetensors      # LM weights, sharded (≈4 GB each)
├── model-00002-of-00004.safetensors
├── model-00003-of-00004.safetensors
├── model-00004-of-00004.safetensors
├── model.safetensors.index.json          # Shard index consumed by safetensors loader
├── config.json                           # Top-level model config
├── generation_config.json                # Generation defaults
├── model_config.yaml                     # GPT config consumed by Config.from_file
├── hyperparameters.yaml                  # Training-time hyperparameters (reference)
├── tokenizer.json                        # Tokenizer
├── tokenizer_config.json
├── MiniOmni3_ChunkwisedEncoder.pth       # Audio encoder weights (Qwen2.5-Omni audio tower)
└── qwen25OmniConfig/                     # Audio-encoder config (nested: thinker_config.audio_config)

Intended Use

Audio-Interaction is intended for streaming conversational agents that need to react to audio as it arrives — for example, voice assistants that may interject mid-utterance, alarms that respond to ambient sound, or low-latency dialogue systems where waiting for a full utterance before replying is too slow.

Quick Start

Installation

git clone https://github.com/xzf-thu/Audio-Interaction.git
cd Audio-Interaction
conda create -n Audio-Interaction python=3.10 -y
conda activate Audio-Interaction
pip install -r requirements.txt

Download the checkpoint

From the Audio-Interaction project root, pull the weights into checkpoints/:

from huggingface_hub import snapshot_download

snapshot_download(repo_id="zhifeixie/Audio-Interaction", local_dir="checkpoints")

snapshot_download is the recommended path — it pulls every file and resumes on interruption.

Python Usage

from src.miniomni3.generate.run import run_inference

run_inference(
    checkpoint_dir="checkpoints",
    audio_paths=["/path/to/audio.wav"], # offline mode: one round per path
    device="cuda:0",                    # or "mps" / "cpu"
)

Streaming Protocol

A single session looks like:

[system prompt tokens]
  ┌─── LISTENING ───┐
  │ AUDIO_BEGIN PAD*10 ASSISTANT  →  KEEP_SILENCE          (keep listening)
  │ AUDIO_BEGIN PAD*10 ASSISTANT  →  TEXT_BEGIN EMOTION    (start replying)
  └─────────────────┘
  ┌─── SPEAKING ────┐
  │ … text tokens … TEXT_END                                (reply finished)
  └─────────────────┘
  ┌─── LISTENING ───┐  (next audio chunk)
  …

The model is trained to emit at most one TEXT_BEGIN per audio chunk. Each assistant turn begins with TEXT_BEGIN, followed by an emotion token, the reply tokens, and TEXT_END. Turns starting with KEEP_SILENCE indicate the model chose not to respond to that chunk.

Limitations

  • The model produces text, not speech. Pair it with a TTS system for end-to-end voice interaction.
  • Audio must be 16 kHz mono; non-conforming inputs are resampled and padded to 0.4-second boundaries.
  • Decisions are made at 0.4-second granularity (one encoder chunk), which sets a floor on response-onset latency.
  • Trailing partial audio chunks shorter than 10 encoder frames are dropped before generation.

Citation

@misc{xie2026audiointeractionmodel,
      title={Audio Interaction Model}, 
      author={Zhifei Xie and Zihang Liu and Ze An and Xiaobin Hu and Yue Liao and Ziyang Ma and Dongchao Yang and Mingbao Lin and Deheng Ye and Shuicheng Yan and Chunyan Miao},
      year={2026},
      eprint={2606.05121},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2606.05121}, 
}

Acknowledgements

Audio-Interaction builds on the Qwen2.5-Omni audio encoder. We thank the Qwen team and the maintainers of OpenAI Whisper for the audio-loading utilities used in this project.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
a7cd702

0 моделей