/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
parakeet-tdt-0.6b-v3
Библиотека
transformers
Опубликована
29 сен 2026

hertz-1

Классификация аудиоАудио → label

Hertz-1 отвечает на вопросы с вариантами выбора, оценкой или ответом «да/нет» по короткой речи на португальском и испанском языках.

0скачиваний за 30 дней2лайкавеса обновлены30 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

Hertz-1 — система для ответов на типизированные вопросы по аудио на португальском и испанском языках, разработанная telepatia-ai. Она объединяет распознаватель речи Parakeet-TDT-0.6b-v3 и замороженную модель принятия решений Laya: распознанные токены преобразуются через словарь идентификаторов, после чего Laya выдаёт ответ и вероятности. Система не формирует строку транскрипции во время выполнения, однако промежуточные токены и словарь позволяют восстановить текст речи.

Модель рассчитана на выбор одного из трёх вариантов, оценку по четырём упорядоченным уровням и ответы «да/нет» для короткой речи. Аудио должно быть моно или стерео и длиться не более 30 секунд; система приводит его к частоте 16 кГц. В тестах на короткой прочитанной речи показаны результаты для бразильского португальского и общего испанского; оценки для задачи score слабее, чем для остальных задач. Указанные задержки получены в исследовательских измерениях на A100 и не являются бенчмарком сервинга.

Репозиторий использует веса Laya и Parakeet-TDT-0.6b-v3 и опубликован под лицензией other; конкретные условия лицензии в доступных данных не раскрыты.

Сценарии применения

  • выбор ответа на вопрос по короткой аудиозаписи на португальском
  • оценка содержания короткой речи по четырём уровням
  • классификация ответа на вопрос по аудио как «да» или «нет»

Ограничения

Подтверждённые результаты ограничены короткой прочитанной речью на бразильском португальском и общем испанском; качество для длинного аудио, клинических разговоров и колумбийского испанского не установлено. Модель не сохраняет невербальные признаки вроде интонации, качество оценивания слабее других режимов, а отсутствие транскрипции в виде строки не гарантирует конфиденциальность.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Hertz-1

Ask typed questions about audio in Portuguese or Spanish. Hertz-1 uses the Parakeet-TDT transducer, whose greedy decoder emits tokens sequentially, followed by the frozen Laya decision model. The runtime does not materialize a decoded transcription string. Its token IDs and public lexicon still encode a readily decodable transcription. Treat them as sensitive speech content.

16 kHz audio
    │
    ▼
Parakeet-TDT greedy token IDs
    │  no text decoding
    ▼
2.9M-entry word ID lexicon
    │  integer-to-integer conversion
    ▼
Laya native token embeddings
    │
    ▼
typed answer + model probabilities

What is in this repository?

PathPurpose
laya/Frozen Laya checkpoint used by Hertz-1
lexicon/Parakeet-ID to Laya-ID word lexicon and fallback tables
audio_openjev/Minimal frozen inference modules
runtime.pyHash-checked Python API
inference.pyCommand-line interface
requirements.txtRuntime dependencies
LICENSES.mdLicense map and attribution

The Parakeet weights are not duplicated here. The first run downloads the official nvidia/parakeet-tdt-0.6b-v3 checkpoint at revision 541d1f99c6b0c3cd0b11a95167540bb8edefd82b.

Install

Python 3.12 or newer is recommended. A CUDA GPU gives the measured low latency. CPU execution is supported but is slower.

python -m venv .venv
source .venv/bin/activate
pip install "huggingface_hub[cli]"
hf download telepatia-ai/hertz-1 --local-dir hertz-1
pip install -r hertz-1/requirements.txt

The complete Hertz-1 download is about 939 MB. The first inference also downloads the external Parakeet checkpoint. The measured process used about 10.2 GiB of host memory and 2.0 GiB of allocated GPU memory after setup.

Run

All examples repeat --option in the model's answer order.

Choice — exactly 3 options

python hertz-1/inference.py \
  --audio sample.wav \
  --task choice \
  --question "Qual orientação foi dada neste trecho?" \
  --option "Manter a medicação" \
  --option "Suspender a medicação" \
  --option "Procurar atendimento de emergência"

Score — exactly 4 ordered levels

python hertz-1/inference.py \
  --audio sample.wav \
  --task score \
  --question "Quão intensa é a dor descrita?" \
  --option "Sem informação" \
  --option "Leve" \
  --option "Moderada" \
  --option "Intensa"

Noul — false first, true second

python hertz-1/inference.py \
  --audio sample.wav \
  --task noul \
  --question "Segundo este trecho, o paciente relata febre?" \
  --option "Não" \
  --option "Sim"

The command returns JSON:

{
  "answer": "A",
  "model_probabilities": {"A": 0.82, "B": 0.11, "C": 0.07},
  "fallback_words": 0,
  "word_count": 14,
  "warning": ""
}

Python API

import soundfile as sf
from runtime import AudioLaya

audio, sample_rate = sf.read("sample.wav")
model = AudioLaya.from_pretrained()
result = model.predict(
    (sample_rate, audio),
    "choice",
    "Qual orientação foi dada neste trecho?",
    ["Manter", "Suspender", "Procurar atendimento"],
)
print(result)

When using from_pretrained(), run Python from the downloaded repository or add it to PYTHONPATH so the bundled audio_openjev package is available.

Confirmed results

The frozen system passed all six preregistered PT/ES task gates on one-time sealed read-speech tests. Gap recovery measures how much of the difference between empty audio and native text the audio path recovered.

LanguageTaskAudio accuracyGap recovery
pt-BRchoice73.07%95.89%
pt-BRscore31.95%97.08%
pt-BRnoul70.21%94.44%
Spanishchoice66.88%93.40%
Spanishscore26.50%93.15%
Spanishnoul62.25%95.87%

On an A100 40 GB, hot end-to-end p50 latency ranged from 82.8 ms to 214.0 ms across 5–20 second clips and the three tasks. Cold setup took 56 seconds, including 13.7 seconds to load the lexicon. These numbers are single-input research measurements, not serving benchmarks.

Scope and limitations

  • The confirmed panels contain short read speech in pt-BR and general Spanish.
  • The results do not establish performance for long audio, clinical conversations, or es-CO.
  • Hertz-1 carries lexical content only. It does not preserve non-lexical cues such as tone.
  • Functionally, this is an ASR-to-text-classifier cascade with an integer-ID intermediate. Avoiding a transcription string is not a privacy guarantee.
  • Output quality is bounded by the frozen Laya decision model. score is its weakest task.
  • A nonzero fallback_words value means at least one recognized word missed the main lexicon.
  • Audio must be mono or stereo and no longer than 30 seconds. The runtime resamples to 16 kHz.

Integrity

ArtifactSHA-256 or revision
Laya tree8d197cc1b2cb8674d02f0ecf42850fd54ee7c4d4a81de9d8a873b3a8314a32c3
ID lexicona3b270e88eb4661e8370159c8c303df78bffbb18d6c518d438f38f5e74e0da6b
Lexicon build summary22808f56263b1245b2ae73c74110e2e6276bcc82d9cdf67774a0809e57212b17
Parakeet revision541d1f99c6b0c3cd0b11a95167540bb8edefd82b
Upstream Laya revision052592a15d198d9ad47da779604259b10b47b7aa

The runtime verifies the local Laya tree and every lexicon artifact before it loads the models.

Licenses

Hertz-1 contains separately licensed components. See LICENSES.md for the component map and attribution.

  • Hertz-1 runtime and the Laya-derived checkpoint: Apache License 2.0.
  • External NVIDIA Parakeet checkpoint: CC BY 4.0.
  • ID lexicon derived partly from wordfreq data: CC BY-SA 4.0.
  • Orphadata-derived forms in the ID lexicon: CC BY 4.0.

Please preserve all attribution when redistributing the repository or its components.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
e321c56

0 моделей