К содержимому
Другое

Streaming Turn

потоковый детектор конца реплики для голосовых агентов

2 мин чтенияобновлено

Streaming Turn от разработчика jptaylor — лёгкая аудиомодель на 4.0M параметров для фреймворка голосовых агентов Pipecat. Каждые 40 мс она анализирует входящий звук без распознавания текста (транскрипции) и оценивает, закончил ли пользователь говорить, а также отличает фоновое поддакивание (backchannel) от попытки перехватить слово (floor-take). Архитектура построена на log-mel признаках, каузальном свёрточном энкодере и GRU, а инференс на одном ядре Apple M-series через ONNX Runtime занимает всего 0.37 мс на чанк. Модель пригодится разработчикам диалоговых ботов, которым нужно сократить паузы при ответе и не перебивать собеседника на полуслове.

Ключевые особенности

  • Работает исключительно по аудиопотоку (16 кГц моно, 25 кадров в секунду), не дожидаясь текстовой расшифровки речи.
  • Отслеживает состояние бота (bot_state): понимает, говорит ли сейчас агент, и классифицирует реакцию пользователя на продолжение/оценку или перебивание.
  • В актуальной версии v0.4 добавлен отдельный выход eot_late для фиксации завершения фразы, когда пользователь уже замолчал.
  • Компактный размер (4.0M параметров) и готовые веса streaming-turn-fp32.onnx вместе с конфигом тензоров model.json и чекпоинтом PyTorch (.pt).

Что можно сделать

  • Встроить в голосового агента на базе Pipecat в связке с SileroVADAnalyzer через класс StreamingTurnAnalyzer для естественного ведения диалога.
  • Снизить число ложных срабатываний на короткие реплики вроде «угу» или «понятно», настроив реакцию бота по выходам intent.

Пример

from pathlib import Path
from huggingface_hub import snapshot_download
from agent.turn_analyzers import StreamingTurnAnalyzer, StreamingTurnParams

repo = snapshot_download("jptaylor/streaming-turn", allow_patterns="streaming-turn-v0.4/*")
analyzer = StreamingTurnAnalyzer(
    Path(repo) / "streaming-turn-v0.4", params=StreamingTurnParams(threshold=0.5, late_threshold=0.4)
)
ПодробнееНа тестовых диалогах Open Yap 1K версия v0.4 перебивает на паузе в 4.9% случаев, отвечает в пределах 500 мс в 56.4% и в пределах 1 с в 79.7% случаев.
На клипах Smart Turn v3.2 (7820 примеров, замер через 200 мс после конца речи) точность составила 93.3% у v0.4 и 93.8% у v0.2 (против 93.5% у Smart Turn v3.2).
Обучалась с дистилляцией от замороженного энкодера Whisper base.en и мягкими метками Smart Turn v3.2.
Ограничения: только английский язык, экспериментальный статус (один прогон обучения на версию), телефонные кодеки не тестировались, в v0.4 модель выжидает, пока бот впервые заговорит в сессии.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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 · BF16 — 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.

    # jptaylor/streaming-turn
    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 jptaylor/streaming-turn --local-dir ~/models/streaming-turn
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к streaming-turn
  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 streaming-turn — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

jptaylor/streaming-turn
Автор
jptaylor
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии