Sophon-Realtime-v1: מודל פתוח של דיאלוג קולי מלא עם הבנה של סרקזם וצחוק האדריכלות בנויה על בסיס מודל שפה 32…

Sophon-Realtime-v1: מודל פתוח של דיאלוג קולי מלא עם הבנה של סרקזם וצחוק האדריכלות בנויה על בסיס מודל שפה 32 מיליארד, ומיישם דו-שיח מלא-דופלקס כנה (מורכב מלא) דיבור-אל-סכי: המערכת מקשיבה ברציפות למשתמש במהלך נאומו, מיד מעלה עותק כאשר הוא נעצר ומיד נופל שקט (ברג'-אין) אם אדם מפריע. התכונה הטכנולוגית העיקרית של Sophon היא התפיסה הטבעית של אותות לא מילוליים ( & #33; & #33; & #33; & #33; ו- #33;) וטון הדיבור. בשל המודל הדו-ממדי המיוחד של אודיו דו-ג'יב לוכד את הספקות ("אה", "hmm"), נאנחה, מתח הגיוני, סרקזם וצחוק. המודל התקיים לראשונה במודולים של הכרה פרלינגואיסטית עם ציון של 48.6 (LISTEN, StressTest, MSPB), לפני 3.8 פלאש (46.9) ו Qwen3-Omni (44.6). במקביל, המודל לא רק מזהה רגשות, אלא גם צוחק באופן אורגני, עצרות, נאנחה ומנקה את הגרון בתגובה במקום לקרוא תגי טקסט בקול רם. המפתחים הציגו מוח יחיד של 32B בשלוש גרסאות של דור אודיו. ה-Tg המומלצת מייצרת אסימוני קול מתוייגים על ידי מודל קול אקספרסיבי (NV-SuperBench 0.86/0.80, עיכוב אודיו הראשון -0.6 s, 16 מפגשים לכל 80 GB GPU). גרסת הפלאש מיועדת בקנה מידה ותעשיית הרכב: העיכוב של אודיו הראשון מופחת לשיא 0.31 שניות עם תמיכה של 40 משתמשים בו זמנית בכרטיס אחד של 80 GB. גרסת E2E היא סינתזת קול ניסיונית לגמרי מקצה לקצה בתוך מטריצה אחת במשקל ללא מודול דיבור נפרד. ב- VoiceBench (82.8) ו-Big Bench Audio (81.8%), Sophon הראה את התוצאה הטובה ביותר בין מודלים פתוחים, השווה את ה- GPT-4o-mini-Audio הסגור מ- OpenAI. בניסויי שימוש בכלי המלא של Duplex-Bench v3, הגיע המודל ל- Pass@1 48% עם 100% תגובה אינטראקטיבית, להכות את Grok (43%).