Характеристики

Лицензия: BSD 2-Clause
Опубликована: 11 сен 2025

Ссылки

smart-turn-v3

Поиск речи в аудиоАудио → label

Smart Turn v3.x анализирует аудиосигнал и определяет, завершил ли говорящий свою реплику, для управления очередностью в голосовом диалоге.

0скачиваний за 30 дней210лайковвеса обновлены7 янв 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

Smart Turn v3.x — открытая модель семантического определения конца реплики, разработанная Pipecat AI. Она анализирует аудиосигнал напрямую, без расшифровки речи, и определяет, закончил ли говорящий свою очередь. Модель предназначена для управления ходом диалога в голосовых приложениях, в том числе при использовании с Pipecat или отдельно.

Архитектура включает энкодер Whisper Tiny и неглубокий линейный классификатор; модель содержит около 8 млн параметров. Доступны ONNX-чекпойнты размером 8 МБ с квантованием int8 и 32 МБ без квантования. Указана поддержка многоязычной речи. Лицензия — BSD 2-Clause.

Сценарии применения

определение конца реплики в голосовом ассистенте
управление очередностью в голосовом диалоге
определение момента ответа собеседника без распознавания речи
обработка голосовых разговоров в приложениях Pipecat

Ограничения

Модель определяет завершение реплики по аудиосигналу и не предоставляет расшифровку речи. Карточка не приводит количественных метрик качества.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Smart Turn v3.x

Smart Turn 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.

Model architecture

Backbone: Whisper Tiny encoder
Head: shallow linear classifier
Params: 8M
Checkpoint: 8 MB ONNX (int8 quantized), 32MB ONNX (unquantized)

How to use

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

Thanks

Thank you to the following organisations for contributing audio datasets:

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.

Ревизия весов: f766f81