/ 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-T3

Обработка аудиоАудио → аудио3 профессии

Mercury-T3 — экспериментальная речевая модель полного дуплекса для диалогов с учётом времени, принимающая аудио и генерирующая аудиоответы.

8скачиваний 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-T3 — экспериментальный чекпойнт RaonDuplex, дообученный для диалога с учётом времени в режиме полного дуплекса: модель обрабатывает входящую речь и формирует речь в ответ, пока разговор продолжается. Она обучена за два эпоха на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием сгенерированного аудио. Частота кадров аудио составляет 12,5 кадра в секунду, частота дискретизации — 24 кГц.

В README приведены измерения согласованности текста и аудио на 100 отложенных диалогах, однако результаты неполны: для самого чекпойнта ключевые значения не заполнены, а набор данных, код обучения и скрипты оценки недоступны. Модель выпущена под кодовым названием, пока связанная статья проходит анонимное рецензирование. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Сценарии применения

  • устный диалог с системой в режиме полного дуплекса
  • создание голосового собеседника с учётом времени реплик
  • исследование согласованности текста и генерируемой речи
  • эксперименты с временной структурой речевых диалогов

Ограничения

Значения согласованности для этого чекпойнта в таблице README отсутствуют; обучающие данные, код обучения и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 запрещает 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-T3

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
93b792a

0 моделей