/ Модель

Характеристики

Параметры
113 млн
Лицензия
BSD 2-Clause
Архитектура
wav2vec2 · dense
Опубликована
11 июл 2025

smart-turn-v2

Поиск речи в аудиоАудио → label3 профессии

Smart Turn v2 определяет по аудио, закончил ли говорящий свою реплику, чтобы голосовые системы могли вовремя отвечать.

3 207скачиваний за 30 дней86лайковвеса обновлены3 сен 2025

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

Smart Turn v2 — открытая модель Pipecat AI для семантического определения конца реплики по аудиосигналу. Она анализирует необработанную форму волны и выдаёт вероятность того, что говорящий закончил высказывание; порог 0,5 обозначает завершённую реплику. Модель предназначена для голосовых агентов, систем транскрибации в реальном времени и анализа разговоров.

Модель использует энкодер wav2vec2 с неглубоким линейным классификатором и содержит около 113,3 млн параметров по метаданным. Заявлена поддержка 14 языков: английского, французского, немецкого, испанского, португальского, китайского, японского, хинди, итальянского, корейского, нидерландского, польского, русского и турецкого. По данным README, обработка 8 секунд аудио занимает около 12 мс на NVIDIA L40S; приведённые показатели точности получены на синтетическом тестовом наборе и отдельном англоязычном наборе.

Модель подходит для выбора момента ответа голосового агента, запуска синтеза речи после окончания пользовательской реплики и сегментации разговоров. Это специализированная модель определения конца хода, а не транскрибатор: она выдаёт вероятность, а не текст. Опубликована под лицензией BSD-2-Clause.

Сценарии применения

  • определение конца реплики в голосовом ассистенте
  • выбор момента для ответа голосового чат-бота
  • запуск синтеза речи после завершения речи пользователя
  • сегментация аудио звонков для последующего анализа

Ограничения

Модель определяет завершение реплики и не предоставляет транскрипцию речи. Указанные показатели точности относятся к конкретным тестовым наборам, включая синтетический набор.

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

Smart Turn v2

Smart Turn v2 is an open‑source semantic Voice Activity Detection (VAD) model that tells you whether a speaker has finished their turn by analysing the raw waveform, not the transcript.
Compared with v1 it is:

  • Multilingual – 14 languages (EN, FR, DE, ES, PT, ZH, JA, HI, IT, KO, NL, PL, RU, TR).
  • 6 × smaller – ≈ 360 MB vs. 2.3 GB.
  • 3 × faster – ≈ 12 ms to analyse 8 s of audio on an NVIDIA L40S.

Links

Intended use & task

Use‑caseWhy this model helps
Voice agents / chatbotsWait to reply until the user has actually finished speaking.
Real‑time transcription + TTSAvoid “double‑talk” by triggering TTS only when the user turn ends.
Call‑centre assist & analyticsAccurate segmentation for diarisation and sentiment pipelines.
Any project needing semantic VADDetects incomplete thoughts, filler words (“um …”, “えーと …”) and intonation cues ignored by classic energy‑based VAD.

The model outputs a single probability; values ≥ 0.5 indicate the speaker has completed their utterance.

Model architecture

  • Backbone : wav2vec2 encoder
  • Head     : shallow linear classifier
  • Params   : 94.8 M (float32)
  • Checkpoint: 360 MB Safetensors (compressed)
    The wav2vec2 + linear configuration out‑performed LSTM and deeper transformer variants during ablation studies.

Training data

SourceTypeLanguages
human_5_allHuman‑recordedEN
human_convcollector_1Human‑recordedEN
rime_2Synthetic (Rime)EN
orpheus_midfiller_1Synthetic (Orpheus)EN
orpheus_grammar_1Synthetic (Orpheus)EN
orpheus_endfiller_1Synthetic (Orpheus)EN
chirp3_1Synthetic (Google Chirp3 TTS)14 langs
  • Sentences were cleaned with Gemini 2.5 Flash to remove ungrammatical, controversial or written‑only text.
  • Filler‑word lists per language (e.g., “um”, “えーと”) built with Claude & GPT‑o3 and injected near sentence ends to teach the model about interrupted speech.

All audio/text pairs are released on the pipecat‑ai/datasets hub.

Evaluation & performance

Accuracy on unseen synthetic test set (50 % complete / 50 % incomplete)

LangAcc %LangAcc %
EN94.3IT94.4
FR95.5KO95.5
ES92.1PT95.5
DE95.8TR96.8
NL96.7PL94.6
RU93.0HI91.2
ZH87.2––

Human English benchmark (human_5_all) : 99 % accuracy.

Inference latency for 8 s audio

DeviceTime
NVIDIA L40S12 ms
NVIDIA A10019 ms
NVIDIA T4 (AWS g4dn.xlarge)75 ms
16‑core x86_64 CPU (Modal)410 ms

oai_citation:7‡Daily

How to use

Please see the blog post and GitHub repo for more information on using the model, either standalone or with Pipecat.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Класс архитектуры
Wav2Vec2ForEndpointing
Ревизия весов
3267e96

0 моделей