/ Модель

Характеристики

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

Mercury-M13

Обработка аудиоАудио → аудио3 профессии

Экспериментальная полнодуплексная модель преобразования речи в речь для диалогов с учётом времени.

10скачиваний за 30 дней0лайковвеса обновлены19 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-M13 — экспериментальный чекпойнт модели RaonDuplex, дообученный для разговоров с учётом времени и одновременного обмена речью. Модель принимает аудио и предназначена для преобразования речи в речь в сценариях с полнодуплексным диалогом. Кадры формируются с частотой 12,5 кадра в секунду, аудио имеет частоту 24 кГц; в обучении использовались временные метки слов и собственные синтетические диалоги модели.

В отчёте авторов согласованность между текстовым потоком решений и созданным аудио составила 71,4% по символам и 45,4% полноты на уровне слов на 100 диалогах. Эти результаты ниже показателей исходной модели, поэтому качество соответствия речи тексту может быть слабым. Код обучения, данные и скрипты оценки не опубликованы. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • эксперименты с полнодуплексным голосовым диалогом
  • создание временно согласованных ответов на речь
  • исследование синхронизации аудио и текстовых решений в диалоге

Ограничения

На тесте из 100 диалогов согласованность аудио и текстового потока решений была заметно ниже, чем у исходной модели; полнота слов составила 45,4%. Код обучения, данные и скрипты оценки закрыты, а лицензия CC BY-NC 4.0 не допускает коммерческое 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-M13

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

PAD loss weight 1.0, effective batch 1, lr 1e-5, with a 3-digit decisecond native clock.

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)71.4% / 74.3%92.6% / 96.2%
word-level recall45.4%79.1%
severe mismatch (<50%)60/1006/100
text emission rate2.8 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
66f96c4

0 моделей