Голосовые ассистенты

Audio Flamingo

Модели, которые слушают речь, звуки и музыку и отвечают на вопросы о них. Audio Flamingo Next разбирает записи до 30 минут. Только для исследований.

Разработчик
NVIDIA, США
Первый выпуск
июл 2024
Последний выпуск
апр 2026
Размеры
0.5B – 8B
Лицензия
Только некоммерческоеНекоммерческие лицензии NVIDIA (OneWay Noncommercial), только исследования
Русский язык
Нет
Запуск
Через свой серверНужна видеокарта
Сферы
Медиа и продакшн, Наука
Поставить на свой сервер Hugging Face GitHub

Какие задачи решает

  • Подробное описание аудиозаписей
  • Вопросы и ответы по длинной записи
  • Разметка музыки и звуков

Где применяется

Медиа и продакшнИсследования

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
подходит
КластерСервер с несколькими видеокартами — флагманские версии
нет версий

Версии

  1. Audio Flamingo Next
  2. Music Flamingo
  3. Audio Flamingo 3
  4. Audio Flamingo 2 (0.5B – 3B)
  5. Audio Flamingo

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

Голосовые ассистентыQwen OmniAlibaba (Qwen) · КитайМожно в коммерцию

Модели, которые понимают текст, картинки, аудио и видео и отвечают голосом в реальном времени. Qwen3-Omni говорит на 10 языках, включая русский.

ПодробнееГолосовые ассистентыKimi-AudioMoonshot AI · КитайМожно в коммерцию

Универсальная аудиомодель: распознаёт речь, отвечает на вопросы о звуке, определяет эмоции и ведёт голосовой диалог. Обучена на 13 млн часов аудио, языки — английский и китайский.

ПодробнееРечь в текстVoxtralMistral AI · ФранцияКоммерция с условиями

Речевые модели Mistral: понимают аудио, расшифровывают и отвечают на вопросы по записи. Realtime-версия распознаёт в реальном времени и поддерживает русский; есть синтез речи.

Подробнее