Instructions to use Xangel0s/OzyAssist-Voice with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use Xangel0s/OzyAssist-Voice with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Xangel0s/OzyAssist-Voice:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Xangel0s/OzyAssist-Voice:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Xangel0s/OzyAssist-Voice:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Xangel0s/OzyAssist-Voice:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf Xangel0s/OzyAssist-Voice:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf Xangel0s/OzyAssist-Voice:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf Xangel0s/OzyAssist-Voice:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf Xangel0s/OzyAssist-Voice:Q4_K_M

Use Docker

docker model run hf.co/Xangel0s/OzyAssist-Voice:Q4_K_M

LM Studio
Jan

vLLM

How to use Xangel0s/OzyAssist-Voice with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Xangel0s/OzyAssist-Voice"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Xangel0s/OzyAssist-Voice",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Xangel0s/OzyAssist-Voice:Q4_K_M

Ollama
How to use Xangel0s/OzyAssist-Voice with Ollama:
```
ollama run hf.co/Xangel0s/OzyAssist-Voice:Q4_K_M
```
Unsloth Desktop
Docker Model Runner
How to use Xangel0s/OzyAssist-Voice with Docker Model Runner:
```
docker model run hf.co/Xangel0s/OzyAssist-Voice:Q4_K_M
```

Lemonade

How to use Xangel0s/OzyAssist-Voice with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull Xangel0s/OzyAssist-Voice:Q4_K_M

Run and chat with the model

lemonade run user.OzyAssist-Voice-Q4_K_M

List all available models

lemonade list

Atomic Chat

🎙️ OzyAssist Voice (1.5B Distilled GGUF)

OzyAssist Voice es un modelo de inteligencia artificial de ultra-baja latencia (30+ tokens/segundo, tiempo de respuesta <330 ms), destilado y afinado específicamente para asistentes de voz interactivos, cowork en vivo, livestreaming y control de Windows.

Diseñado bajo la arquitectura Zero-Docker de OzyAssist, este modelo corre localmente consumiendo apenas ~1.37 GB de VRAM, lo que permite operarlo en cualquier laptop o GPU mientras juegas o transmites en directo.

⚡ Especificaciones del Modelo

Característica	Detalle
Arquitectura Base	Qwen2.5-Coder-1.5B-Instruct
Técnica	Destilación de Conocimiento + Fine-tuning LoRA 4-bit (Unsloth)
Formato	GGUF Cuantizado (Q4_K_M)
Tamaño de Archivo	986 MB
VRAM Requerida	~1.37 GB (Contexto 16k con FlashAttention y KV Q8_0)
Velocidad de Inferencia	~30.0 - 32.5 tokens/segundo (NVIDIA RTX)
Latencia Primer Token / Frase	~330 ms (Ideal para síntesis por voz fluida Piper / SAPI)
Plantilla de Chat	ChatML (`<
Idioma Principal	Español (con soporte nativo para comandos en inglés y código)

📊 Benchmark: Comparativa de Latencia y Velocidad

Pruebas empíricas ejecutadas en el mismo entorno de hardware (NVIDIA Quadro RTX 4000 Max-Q):

Tarea / Comando	OzyAssist-Voice (1.5B)	Modelo Estándar (7B)	Mejora
Confirmación de Voz ("¿Estás listo?")	0.33s (333 ms)	1.75s	5.3x más rápido
Reacción Livestream (Saludo en vivo)	0.72s	2.77s	3.8x más rápido
Control de Apps ("Abre calculadora")	0.43s	1.74s	4.0x más rápido
Cerrar Ventana ("Cierra notepad")	0.41s	1.75s	4.3x más rápido
Ajuste de Audio ("Sube volumen 80%")	0.54s	1.08s	2.0x más rápido
Consumo de VRAM	1.37 GB	4.90 GB	3.6x menos VRAM

🚀 Cómo Usarlo

1. Con Llama.cpp / Llama-Server

Descarga el modelo GGUF y ejecútalo con aceleración GPU:

llama-server -m OzyAssist-Voice-1.5B-v3-q4_k_m.gguf -ngl 99 -c 16384 -fa on --port 8080

2. Con Ollama

Crea un archivo Modelfile:

FROM ./OzyAssist-Voice-1.5B-v3-q4_k_m.gguf
PARAMETER temperature 0.2
PARAMETER stop "<|im_end|>"
PARAMETER stop "<|im_start|>"
SYSTEM "Eres OzyAssist Voice, un asistente de voz y escritorio para Windows de ultra-baja latencia."

Luego construye y corre el modelo:

ollama create ozy-voice -f Modelfile
ollama run ozy-voice

3. En OzyAssist (Modo Turbo / Voz)

En el proyecto OzyAssist, puedes iniciar directamente este modelo con el script integrado:

powershell -ExecutionPolicy Bypass -File .\scripts
un_advanced_brain.ps1 -Turbo

O iniciar la consola interactiva de voz con soporte de audio en tiempo real:

cd backend
go run cmd/ozy/main.go voice

🎯 Capacidades y Casos de Uso

Asistentes de Voz en Tiempo Real: Ideal para integración con motores STT (Whisper/Vosk) y TTS (Piper TTS/Windows SAPI) con Barge-in instantáneo.
Livestreaming y Bots de Chat: Respuestas inmediatas al chat de Twitch/YouTube sin pausas que rompan el ritmo de la transmisión.
Automatización de Escritorio: Comandos rápidos para abrir/cerrar ventanas, mutear o ajustar volumen, telemetría de GPU/CPU y atajos en Windows.
Decodificación Especulativa (Speculative Decoding): Puede utilizarse como modelo borrador (draft model) para acelerar al modelo maestro de 7B (Xangel0s/OzyAssist-7B) al doble de velocidad.