К содержимому
Аудио

Kuroko

компактная модель для определения перебиваний и конца реплики в диалоге

2 мин чтенияобновлено

Легковесная система turn-taking (определения очередности реплик в разговоре) от PatientDesk AI, созданная для бенчмарка TurnBench. Модель представляет собой каузальный трансформер (предсказывает события только по прошлому контексту, без заглядывания в будущее) на 14.9M параметров, который анализирует двухканальное аудио на английском языке и 25 раз в секунду оценивает состояние обоих собеседников. Она помогает отличить полноценное перебивание или завершение фразы от короткого междометия вроде «угу» (backchannel). Разработка пригодится создателям голосовых ассистентов и систем анализа диалогов, которым важна быстрая и точная реакция на паузы.

Ключевые особенности

  • Компактный размер 14.9M параметров позволяет обрабатывать 12.6-минутную запись за 11 секунд на четырех потоках CPU.
  • Выдает 11 вероятностных оценок 25 раз в секунду, включая наличие голоса, захват инициативы (claim), удержание слова (hold) и прогноз активности на 2 секунды вперед.
  • Работает в связке с детектором Silero VAD 6.2.3 и правилами таймингов, снижая медианную задержку обнаружения перебиваний до 545 мс.
  • Веса model.safetensors и скрипт инференса kuroko.py распространяются под свободной лицензией Apache-2.0.

Что можно сделать

  • Анализировать записи двухканальных звонков и интервью для точной разметки моментов перебивания и смены спикеров.
  • Взять предсказания захвата инициативы (claim) за основу для модулей управления очередностью речи в голосовых ботах.
  • Использовать готовые файлы предсказаний и конфигурацию policy.json для воспроизведения и сравнения результатов на бенчмарке TurnBench.

Пример

import sys, soundfile as sf
from huggingface_hub import snapshot_download

path = snapshot_download("cloud0day3/kuroko")
sys.path.insert(0, path)
import kuroko

model = kuroko.load(path)
audio, rate = sf.read("conversation.wav", dtype="int16")
answers = kuroko.answers(model, kuroko.features(audio, rate))
ПодробнееМетрики на TurnBench (dev-сплит, 38 диалогов): End of turn — Recall 0.987, False-alarm 0.079, медианная задержка 630 мс; Interruption — Recall 1.000 (0.988 на held-out), False-alarm 0.073, медианная задержка 545 мс.
Обучение: 1 025 часов двухканальных англоязычных диалогов (786 ч из Open Yap 1K и ~240 ч собственных записей PatientDesk), 12 000 шагов.
Ограничения: только английский язык, студийное аудио с разделением спикеров по двум каналам (48 кГц -> 16 кГц); не тестировалось на телефонных записях с эхом и в режиме реального стриминга.
Обсудить Telegram 0 43

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.1 GB · готовые файлы0.6 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # cloud0day3/kuroko
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download cloud0day3/kuroko --local-dir ~/models/kuroko
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к kuroko
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии kuroko — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

cloud0day3/kuroko
Автор
cloud0day3
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

430

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Echora Kiki

Echora Kiki