README.md

metadata

title: IOAI
emoji: 🎙️
colorFrom: green
colorTo: blue
sdk: gradio
sdk_version: 5.23.1
app_file: app.py
python_version: '3.10'
pinned: false
license: mit
short_description: Any sound as speech — transcribe & respond in same timbre

IOAI — Interactive Omnivocal Audio Interpreter

Интерактивная аудиомодель для бесплатного CPU-тарифа Hugging Face Spaces.

Концепция

Любой входящий звук читается как речевое высказывание. На выходе:

1. Текстовая транскрипция — что звук «сказал»
2. Звуковой ответ — собран из зёрен входного сигнала (тот же тембр)

Архитектура (free tier)

Входной звук
    → Perceive   (Whisper tiny, CPU)
    → Interpret  (Qwen2.5-0.5B для речи, шаблоны для шума/тишины)
    → Synthesize (речь espeak+тембр или гранулы из входа)

Локальный запуск

pip install -r requirements.txt
python app.py

Переменные окружения

Переменная	По умолчанию	Описание
IOAI_WHISPER_MODEL	tiny	Модель faster-whisper
IOAI_LLM_MODEL	Qwen/Qwen2.5-0.5B-Instruct	Лёгкая LLM для диалога
IOAI_LLM_ENABLED	1	0 — только шаблоны
IOAI_LLM_MAX_NEW_TOKENS	80	Длина ответа LLM
IOAI_WORK_DIR	temp	Рабочая папка

Ограничения free tier

• CPU only, без GPU
• Макс. длина входа: 15 с
• LLM — Qwen2.5-0.5B на CPU (~5–15 с на ответ после загрузки)
• Для шума/тишины — по-прежнему шаблоны и гранулы
• Первый холодный старт дольше: загрузка Whisper + Qwen