wavtokenizer-small-speech-75token
WavTokenizer ist ein diskreter akustischer Codec-Tokenizer, der 24 kHz Mono-Audio in eine einzelne Codebook-Struktur von 4096 Codes bei extrem niedriger Frame-Rate komprimiert und sich gut als Audio-Tokenizer für Sprachmodelle eignet.
Steckbrief
Parameter
Kontextlänge
Architektur
Aufbau
Gewichte gespeichert als
Aufgabe
Sprachen
Basiert auf
Veröffentlicht
Zuletzt aktualisiert
Downloads (letzte 30 Tage)
Lizenz und Zugang
Lizenz
Zugang
Sicherheit
Sicherheitsscan von Hugging Face
Gewichtsdateien nach Format
Prüfungen von Facthory
Alle Gewichtsdateien sind Safetensors oder GGUF.
Der Scan ist nicht abgeschlossen.
Die Modellkarte gibt ihre Lizenz an.
Die Modellkarte berichtet keine Sicherheitsbewertung.
GPU-Rechner
Wie viel Speicher dieses Modell bei einer Quantisierung, Kontextlänge und Zahl gleichzeitiger Sequenzen braucht, welche GPUs es aufnehmen und wie schnell es generieren kann. Schätzungen aus der veröffentlichten Größe und dem Aufbau des Modells, mit den Annahmen unten.
Gewichte
Kontext je Sequenz: 8K Token
Gleichzeitige Sequenzen: 1
KV-Cache
Speicher
0,2 GB
Gewichte: 0,2 GB
KV-Cache: –
Laufzeit: 0 GB
Der Aufbau des Modells ist nicht veröffentlicht, daher ist der KV-Cache nicht enthalten.
| GPU | Speicher | Benötigte GPUs | Je Sequenz | Alle Sequenzen |
|---|---|---|---|---|
| NVIDIA L4 | 24 GB | 1 × | 1.185 Token/s | 1.185 Token/s |
| NVIDIA L40S | 48 GB | 1 × | 3.413 Token/s | 3.413 Token/s |
| NVIDIA RTX 6000 Ada | 48 GB | 1 × | 3.792 Token/s | 3.792 Token/s |
| NVIDIA RTX PRO 6000 Blackwell | 96 GB | 1 × | 7.078 Token/s | 7.078 Token/s |
| NVIDIA A100 80GB SXM | 80 GB | 1 × | 8.054 Token/s | 8.054 Token/s |
| NVIDIA H100 SXM | 80 GB | 1 × | 13.233 Token/s | 13.233 Token/s |
| NVIDIA H200 SXM | 141 GB | 1 × | 18.960 Token/s | 18.960 Token/s |
| AMD Instinct MI300X | 192 GB | 1 × | 20.935 Token/s | 20.935 Token/s |
| AMD Instinct MI325X | 256 GB | 1 × | 23.700 Token/s | 23.700 Token/s |
Annahmen
- Laufzeitspeicher (Aktivierungen, Puffer) beträgt 10 % von Gewichten und KV-Cache, dazu 1 GB je GPU für das Framework.
- Eine GPU wird zu höchstens 90 % ihres Speichers belegt; Tensor-Parallelität nutzt 1, 2, 4 oder 8 GPUs in einem Server.
- Die Generierung ist durch die Speicherbandbreite bei 60 % der Herstellerangabe begrenzt: Jeder Schritt liest die Gewichte einmal und den KV-Cache jeder Sequenz. Ein Mixture-of-Experts-Modell liest nur seine aktiven Experten und läuft daher schneller als gezeigt.
- Speicher und Bandbreite der GPUs sind die veröffentlichten Herstellerangaben.
Profil
Art
Herkunft
Familie
Einsatz
Ein- und Ausgabe
Am 17.11.2026 von Workers AI (@cf/zai-org/glm-4.7-flash) aus der Modellkarte und den Metadaten des Hubs verfasst: eine Lesart des Anbietertexts, von Facthory nicht geprüft.
Veröffentlichte Benchmarks
Die Modellkarte veröffentlicht keine Benchmark-Ergebnisse.
EU AI Act
Was der EU AI Act von einem KI-Modell mit allgemeinem Verwendungszweck verlangt, hängt davon ab, wer es wie in der EU in Verkehr bringt. Diese Angaben sind dafür maßgeblich:
- Lizenz: mit
- Zugang: Gewichte ohne Freigabe herunterladbar
- Parameter: 75,9 Mio.
KI-Modell mit allgemeinem Verwendungszweck (Artikel 3 Nummer 63)
Nicht angezeigt. Seine Aufgabe (feature-extraction) erzeugt weder Text noch Audio, Bilder oder Video, wie es der Richtwert der Kommission verlangt.
Die Artikel 51 bis 55, die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck, binden seinen Anbieter nicht.
Die EU-AI-Act-Bewertung von Facthory erscheint, sobald eine Person diese Prüfungen geprüft hat. Die Artikel, nach denen wir bewerten
