/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
personaplex · dense
Базовая модель
personaplex-7b-v1
Опубликована
22 фев 2026

PersonaPlex-7B-MLX-4bit

Обработка аудиоАудио → аудио3 профессии

Квантованная до 4 бит версия PersonaPlex-7B для голосовых диалогов с преобразованием речи в речь на устройствах Apple Silicon.

237скачиваний за 30 дней43лайкавеса обновлены12 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

PersonaPlex-7B-MLX-4bit — 4-битная версия модели PersonaPlex-7B-v1 от NVIDIA, подготовленная aufklarer для запуска через MLX на компьютерах Apple Silicon. Это полно-дуплексная модель преобразования речи в речь: она принимает аудио и генерирует голосовой ответ в режиме диалога. Основа модели использует архитектуру Kyutai Moshi; временной трансформер содержит 7 млрд параметров, а в репозитории также находятся компоненты Depformer и аудиокодек Mimi. Доступны 18 голосовых пресетов.

Модель предназначена для голосовых ассистентов и интерактивных речевых диалогов с выбором голоса. README предупреждает, что 4-битная квантизация заметно ухудшает качество: ответы могут быть невнятными. Для полно-дуплексного вывода в реальном времени рекомендуется 8-битный вариант; также приведено сравнение скорости 112 мс против 158 мс на шаг для 8-битной и 4-битной версий соответственно. Указана лицензия CC-BY-NC-4.0, запрещающая коммерческое использование.

Сценарии применения

  • создание голосового ассистента с ответами в реальном времени
  • ведение полно-дуплексного голосового диалога
  • генерация речи с выбором одного из голосовых пресетов

Ограничения

README сообщает о существенном ухудшении качества после 4-битной квантизации: выходная речь может быть невнятной. Для полно-дуплексного вывода в реальном времени рекомендуется 8-битная версия; лицензия CC-BY-NC-4.0 не допускает коммерческого использования.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Note: For full-duplex (real-time) inference, use the 8-bit variant instead. 4-bit quantization degrades PersonaPlex response quality significantly — INT8 is both 30% faster (112ms vs 158ms/step) and produces coherent responses where INT4 generates garbled output.

PersonaPlex-7B MLX 4-bit

PersonaPlex 7B full-duplex speech-to-speech model converted to MLX safetensors with 4-bit quantization for Apple Silicon.

Converted from nvidia/personaplex-7b-v1 (based on Kyutai Moshi architecture).

Swift inference: soniqo/speech-swift

Library Docs: soniqo.audio

Blog: PersonaPlex on Apple Silicon — Full-Duplex Speech-to-Speech in Native Swift with MLX

Model Details

ComponentArchitectureSize
Temporal Transformer32-layer, 4096d, 32 heads (7B params)~3.5 GB (4-bit)
Depformer6-layer, 1024d, 16 heads, per-codebook weights~50 MB (fp16)
Mimi CodecSEANet encoder/decoder + 8L transformer + 16 RVQ codebooks~370 MB (fp16)
EmbeddingsText + 16 audio embeddings + output heads~940 MB (fp16)
Total~4.9 GB

Architecture

[User Audio 24kHz] → [Mimi Encoder] → 16 codebook tokens @ 12.5Hz
                                              ↓
              [Temporal Transformer: 32L, dim=4096, 7B params]
                  17 streams: text + 8 user audio + 8 agent audio
                                              ↓
              [Depformer: 6L, dim=1024, per-codebook weights]
                  16 sequential steps → agent audio codebook tokens
                                              ↓
[Agent Audio 24kHz] ← [Mimi Decoder] ← codebook tokens @ 12.5Hz

Voices

18 voice presets available:

CategoryVoices
Natural FemaleNATF0, NATF1, NATF2, NATF3
Natural MaleNATM0, NATM1, NATM2, NATM3
Variety FemaleVARF0, VARF1, VARF2, VARF3, VARF4
Variety MaleVARM0, VARM1, VARM2, VARM3, VARM4

Files

  • temporal.safetensors — Temporal transformer (4-bit quantized, group_size=64)
  • depformer.safetensors — Depformer layers + input projections (fp16)
  • embeddings.safetensors — Text/audio embeddings + output heads (fp16)
  • mimi.safetensors — Mimi neural audio codec (fp16)
  • voices/*.safetensors — Voice preset embeddings
  • tokenizer_spm_32k_3.model — SentencePiece tokenizer
  • config.json — Model configuration

Quantization

  • Temporal transformer attention (Q/K/V output projections) and FFN: 4-bit with group_size=64
  • Attention input projection (in_proj): kept fp16 (packed Q+K+V format)
  • Depformer: kept fp16 (~50 MB, not worth quantizing)
  • Mimi codec: kept fp16 (audio quality sensitive)

Usage

import PersonaPlex

let model = try await PersonaPlexModel.fromPretrained()
let response = model.respond(
    userAudio: audioSamples,  // [Float] 24kHz mono
    voice: .NATM0,
    maxSteps: 500
)

CLI

swift run personaplex-cli --input question.wav --output response.wav --voice NATM0

See soniqo/speech-swift for build instructions.

License

CC-BY-NC-4.0 (same as upstream PersonaPlex)

Citation

@article{nguyen2025personaplex,
  title={PersonaPlex: Enhancing Human-Centric AI Through Full-Duplex Multi-Turn Conversations With Persona-Conditioned Voice Responses},
  author={Nguyen, Tu Anh and others},
  journal={arXiv preprint arXiv:2504.07966},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
8c68634

0 моделей