OSUM是由西北工业大学 ASLP 实验室开发的开源语音理解模型，旨在探索在有限的学术资源下如何高效训练和利用语音理解模型，以推动相关技术的研究与创新。该模型结合了 Whisper 编码器和 Qwen2 语言模型，支持多种语音任务，并通过 ASR+X 训练策略优化多任务学习。

OSUM功能特点：

1、多任务支持：

OSUM 支持 8 种语音任务，包括语音识别（ASR）、带时间戳的语音识别（SRWT）、语音事件检测（VED）、语音情感识别（SER）、说话风格识别（SSR）、说话人性别分类（SGC）、说话人年龄预测（SAP）以及语音转文本聊天（STTC）。

2、高效多任务训练：

采用 ASR+X 训练策略，同时优化模态对齐和目标任务，实现高效稳定的多任务训练。

3、数据透明性：

训练方法和数据准备过程均已开放，为学术界提供参考。

4、性能提升：

技术报告 v2.0 显示，训练数据量增至 50.5K 小时，模型性能显著提升。

5、开源许可：

代码和权重在 Apache 2.0 许可下开放，可用于学术和商业目的。

进入OSUM项目网址入口