/ 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-M16nc

Обработка аудиоАудио → аудио

Экспериментальная полнодуплексная модель RaonDuplex для диалога с преобразованием речи в речь и учётом времени.

7скачиваний 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-M16nc — экспериментальная модель преобразования речи в речь с полнодуплексным режимом диалога. Карточка описывает её как дообученный чекпойнт для временно согласованной беседы; архитектура RaonDuplex, веса опубликованы в формате safetensors. Модель обучалась два эпоха на 4 440 синтетических полнодуплексных диалогах. Аудио представлено с частотой 24 кГц, кадры имеют длительность 80 мс.

В README приведены результаты проверки согласованности текста и аудио на 100 диалогах: метрики этого чекпойнта ниже, чем у базовой модели. Данные, код обучения и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Сценарии применения

  • полнодуплексный голосовой диалог
  • эксперименты с временной согласованностью речи и текста
  • оценка согласованности генерируемого аудио с текстовым потоком решений

Ограничения

В проверке на 100 диалогах согласованность текста и аудио была заметно ниже, чем у базовой модели; сильное расхождение отмечено в 69 случаях из 100. Обучающие данные, код и сценарии оценки не опубликованы, поэтому результаты сложно независимо воспроизвести.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Mercury-M16nc

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 with gradient accumulation 32 (effective batch 32), lr 1e-5, no 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)69.6% / 72.2%92.6% / 96.2%
word-level recall43.4%79.1%
severe mismatch (<50%)69/1006/100
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
734ec6a

0 моделей