/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
19 сен 2026

relays2s

Обработка аудиоАудио → аудио

RelayS2S — экспериментальная модель диалоговой речи, которая быстро начинает голосовой ответ и передаёт его продолжение каскаду ASR и LLM.

0скачиваний за 30 дней0лайковвеса обновлены19 сен 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

RelayS2S — модель диалоговой речи с передачей аудио на аудио, представленная автором карточки как набор чекпойнтов для исследования Dual-Path Speculative Generation for Real-Time Dialogue. Она спекулятивно генерирует короткое начало ответа, а затем передаёт продолжение каскаду ASR → LLM; обученный верификатор решает, можно ли произнести предложенный фрагмент. Модель построена на Qwen2.5-0.5B и работает по кадровой шкале 160 мс, выдавая один токен на кадр; добавлены специальные токены управления речью и ходом диалога.

RelayS2S предназначена для диалоговых систем с полнодуплексным взаимодействием и быстрым началом ответа, включая обработку перебиваний пользователя. Карточка указывает PyTorch-чекпойнт и токенизатор Qwen2.5-0.5B; размер весов S2S составляет 2,79 ГБ, а чекпойнт целиком занимает 6,0 ГБ, включая состояние оптимизатора. Для входа с микрофона требуется шумовой гейт: модель распознаёт конец хода по точному цифровому нулю и может молча перестать отвечать при наличии даже очень тихого фонового шума. Для верификатора указан порог 0,405 с компромиссом между обнаружением плохих префиксов и принятием хороших. Метаданные указывают лицензию Apache-2.0, однако сама карточка предупреждает, что лицензию обученных весов и речевого энкодера следует проверить отдельно.

Сценарии применения

  • быстрый старт голосового ответа в диалоговом ассистенте
  • полнодуплексный голосовой диалог с обработкой перебиваний
  • спекулятивная генерация начала ответа с проверкой его безопасности
  • воспроизведение синтезированных диалогов с передачей речи на речь

Ограничения

Для работы с микрофоном требуется шумовой гейт, поскольку конец хода определяется только точным цифровым нулём; даже крайне тихий фоновый шум может полностью остановить генерацию ответа. Чекпойнт включает состояние оптимизатора, а лицензию обученных весов и речевого энкодера автор рекомендует проверить отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RelayS2S

Checkpoints for RelayS2S: Dual-Path Speculative Generation for Real-Time Dialogue.

A duplex speech-to-speech model that drafts a short response prefix speculatively and hands off to a cascaded ASR → LLM pipeline for the continuation. A small learned verifier decides whether the drafted prefix is safe to say out loud.

Code:

License note. Tagged apache-2.0 because the backbone is Qwen2.5-0.5B, which is Apache-2.0. Confirm this is the licence you intend for the trained weights and the speech encoder before relying on it.

Contents

PathWhat it is
s2s/s2s.ckptFast-path duplex S2S model (PyTorch Lightning checkpoint, 6.0 GB)
tokenizer/Qwen2.5-0.5B tokenizer used by the S2S model
verifier/best_model.ptPrefix verifier (~170K params)
verifier/tokenizer/Tokenizer the verifier uses to count prefix tokens
pretrained/speech_encoder.ptConformer speech encoder, stage-0 initialisation
pretrained/adapter.ptCNN adapter, stage-0 initialisation

s2s.ckpt is a training checkpoint: about 58% of it is Adam optimizer state that inference does not use. The weights themselves are 2.79 GB.

Two things you need to know before using this

1. The model only detects end-of-turn over exact digital zero.

It was trained on synthesised dialogues whose inter-turn gaps are literally 0.0 — 100% zero samples. It learned that as the end-of-turn cue. Real microphone audio never produces it: background noise at RMS 1e-5, about −100 dB and completely inaudible, is enough to stop [BOS] firing entirely and silently. There is no error; the model simply never responds.

Live microphone input therefore needs a noise gate that zeroes quiet frames before the model sees them. A per-frame RMS threshold of 0.01 with a two-frame hangover works. Dataset replay needs no gate.

2. The verifier threshold is 0.405, not 0.5.

That is the tuned value in verifier/inference_config.json, giving 65.6% recall on bad prefixes at 96.0% acceptance of good ones — roughly a 9.6% discard rate. Using 0.5 will discard more than intended.

Special tokens

The S2S tokenizer adds five control tokens to the Qwen vocabulary. They must be registered before loading, or the embedding matrix will not match: [SIL] (stay silent), [BOS] (start speaking), [EOS], [BOC] (backchannel), [STP] (stop — user barge-in), [HOD].

The model consumes a 160 ms frame clock and emits exactly one token per frame.

Citation

@article{relays2s2025,
  title  = {RelayS2S: Dual-Path Speculative Generation for Real-Time Dialogue},
  year   = {2025},
  eprint = {XXXX.XXXXX},
  archivePrefix = {arXiv}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
bcfae29

0 моделей