AudioLM
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- Google Research
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 26 July 2023
- Auteurs
- Zalán Borsos, Raphaël Marinier, Damien Vincent, Eugene Kharitonov, Olivier Pietquin, Matt Sharifi, Dominik Roblek, Olivier Teboul, David Grangier, Marco Tagliasacchi, Neil Zeghidour
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Audio
- Tâche
- Audio generation
- Approach
- Self-supervised learning
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 1.5B
- Données d'entraînement
- 135,000,000,000 tokens
"We use identical decoder-only Transformers in all stages, with 12 layers, 16 attention heads, embedding dimension of 1024, feed-forward layer dimension of 4096 and dropout of 0.1, together with T5-style relative positional embeddings [38], resulting in a model parameter size of 0.3B per stage." Three stages (figure 2), and 300M per stage. Plus 600M parameters for w2v-BERT XL, so 1.5B total
60k hours of English speech 13680*60000 = 820800000 words https://docs.google.com/document/d/1G3vvQkn4x_W71MKg0GmHVtzfd9m0y3_Ofcoew0v902Q/edit#heading=h.sxcem9l5k3ce
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.9 × 10¹⁸ FLOP
- Comment cela a été établi
- Operation counting
"We train each stage on 16 TPUv4s with batch size of 256 for 1M steps." That's for the 900M-param transformers If there's 256 passes in each batch, then using 6ND that's 900m * 256m * 6 = 1.3e18. sanity check: 16 tpu4s is 4.4e15 FLOP/s. 1.3e18 FLOP / 4.4e15 FLOP/s is 295 seconds. adjusting for utilization it would be ~1000 seconds or 15 minutes? probably too short, so 1.3e18 seems too low. upd there are 3 stages -> 1.3e18*3 = 3.9e+18 (Speculative due to reasoning above)
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- Google TPU v4
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui décide si l'une des chiffres de carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Foundation model
- Yes
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Speculative
- Citations
- 917
Compared to other systems without text supervision, AudioLM achieves the highest sWUGGY scores across both splits. Similarly, it also attains the highest score in the sBLIMP metric, improving by 8% relative over the previous state-of-the-art (CPC-BERT [59]).
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- AudioLM: a Language Modeling Approach to Audio Generation
- Dernière mise à jour
- 25 May 2026
Ce que signifient les chiffres
Where it came from
AudioLM was published by Google Research, in United States of America, in July 2023. It comes out of industry.
It works in Audio, and is recorded as doing audio generation.
Ses poids n'ont jamais été publiés, donc on ne peut y accéder que par son fournisseur. Aucun changement de carte graphique ne change cela.
Ce qui a contribué à sa construction
Producing it required around 3.9 × 10¹⁸ FLOP of arithmetic, on Google TPU v4, which is a statement about the training budget rather than about inference.
Around 135,000,000,000 tokens went into training it.
Its inclusion criterion is sOTA improvement.
Réponses
AudioLM — Questions fréquentes
Who created AudioLM?
AudioLM was published by Google Research, based in United States of America, categorised as industry.
When was AudioLM released?
AudioLM was published in July 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is AudioLM used for?
AudioLM works in Audio, and is recorded as handling audio generation. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train AudioLM?
Around 3.9 × 10¹⁸ FLOP, on Google TPU v4. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run AudioLM?
None. AudioLM is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is AudioLM open source?
No. AudioLM has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does AudioLM have?
AudioLM has 1.5B parameters. "We use identical decoder-only Transformers in all stages, with 12 layers, 16 attention heads, embedding dimension of 1024, feed-forward layer dimension of 4096 and dropout of 0.1, together with T5-style relative positional embeddings [38], resulting in a model parameter size of 0.3B per stage." Three stages (figure 2), and 300M per stage. Plus 600M parameters for w2v-BERT XL, so 1.5B total. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.