/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
19,4 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
raon_duplex · dense
Библиотека
transformers
Опубликована
23 авг 2026

Mercury-GTFT-M0v2

Обработка аудиоАудио → аудио3 профессии

Экспериментальная полнодуплексная модель RaonDuplex для речевого диалога с учётом времени реплик и генерацией речи.

11скачиваний за 30 дней0лайковвеса обновлены23 авг 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

Mercury-GTFT-M0v2 — экспериментальная модель преобразования речи в речь с полнодуплексным режимом, дообученная для диалога с учётом временной структуры. Согласно карточке, она обучена в течение двух эпох на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием аудио. Модель использует архитектуру RaonDuplex и распространяется в формате Safetensors.

Модель предназначена для речевого диалога, в котором важны временная согласованность реплик и соответствие между текстовым потоком решений и сгенерированным аудио. В карточке приведены измерения согласованности на 100 диалогах без эталонной расшифровки. Указаны частота кадров 12,5 кадра в секунду и частота аудио 24 кГц. Данные, код обучения и скрипты оценки не опубликованы, поэтому независимо проверить результаты по карточке нельзя. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями; выпуск связан с анонимным рецензированием статьи.

Сценарии применения

  • полнодуплексный диалог голосового ассистента
  • генерация речевого ответа с временной привязкой к диалогу
  • исследование согласованности текста и сгенерированной речи
  • эксперименты с синтетическими речевыми диалогами

Ограничения

Данные, код обучения и скрипты оценки недоступны; приведённая оценка основана на артефактах самой модели и не использует эталонную расшифровку. Лицензия CC BY-NC 4.0 предусматривает некоммерческое использование.

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

Mercury-GTFT-M0v2

A full-duplex speech-to-speech model fine-tuned for time-aware conversation. Released under a codename while the associated paper is under anonymous review.

What this checkpoint is

See the fd-tico ablation series.

Trained for 2 epochs on 4,440 self-generated full-duplex dialogues whose word timestamps come from forced alignment of the rendered audio (not from the model's own decision frames).

Reported measurements

Text/audio consistency on 100 held-out dialogues — does the produced audio actually say what the text-decision stream decided? Both sides come from the model's own artifacts; no reference transcript is involved.

this checkpointuntuned base
character-level consistency (mean / median)—92.6% / 96.2%
word-level recall—79.1%
severe mismatch (<50%)—6/100
text emission rate— tok/s2.5 tok/s

Frames are 80 ms (12.5 fps), audio is 24 kHz.

Attribution and licence

Derived from a publicly available full-duplex speech model released under CC-BY-NC-4.0. This checkpoint inherits that licence: non-commercial use only. The base model's name and full attribution are withheld only for the duration of anonymous review and will be added here once the associated paper is de-anonymised.

Not included

Training code, data, and evaluation scripts are withheld during anonymous review.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
RaonDuplexModel
Ревизия весов
f5c0997

0 моделей