/ 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-L3

Обработка аудиоАудио → аудио3 профессии

Экспериментальная полнодуплексная модель преобразует речь в речь для диалогов с учётом временной структуры.

9скачиваний 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-L3 — экспериментальная модель полного дуплексного преобразования речи в речь, опубликованная под кодовым именем авторами, чей связанный исследовательский материал находится на анонимном рецензировании. Модель дообучена на 4 440 синтетических полнодуплексных диалогах в течение двух эпох; временные метки слов получены принудительным выравниванием сгенерированного аудио. Архитектура RaonDuplexModel, формат весов safetensors, библиотека Transformers.

Модель предназначена для диалогового общения с учётом временной структуры речи, когда обработка входящего и генерация исходящего аудио происходят в режиме полного дуплекса. Частота кадров составляет 12,5 кадра в секунду, частота аудио — 24 кГц. В README приведено измерение согласованности аудио с текстовым потоком решений на 100 диалогах, однако результаты ограничены и не используют эталонные расшифровки. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Обучающий код, данные и скрипты оценки не опубликованы.

Сценарии применения

  • полнодуплексный голосовой диалог
  • обработка входящей речи с одновременным формированием ответа
  • исследование временной структуры разговорной речи

Ограничения

Обучающие данные, код и скрипты оценки недоступны; приведённые измерения основаны на небольшой выборке и не сверяются с эталонными расшифровками. 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

Mercury-L3

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
ce31288

0 моделей