ماہانہ وزٹس: 0
قیمتیں: متعین نہیں
فہرست میں شامل: —
اپ ڈیٹ شدہ: 2026-11-10

01Sophon-Realtime v1 کیا ہے

Sophon-Realtime v1، AI降临派 (Adventists AI) کا اوپن سورس مکمل ڈوپلیکس صوتی ماڈل ہے، جو سنتے ہوئے باری کا فیصلہ کر سکتا ہے، کسی بھی وقت روکا جا سکتا ہے، لہجے، ہنسی اور آہٹ کو سمجھ سکتا ہے، اور جذبات سے بھرپور آواز میں جواب دیتا ہے۔ Sophon-Realtime v1 میں 32B پیرامیٹرز ہیں، VoiceBench صوتی جائزے میں 82.8 اسکور حاصل کرتا ہے اور اوپن سورس مکمل ڈوپلیکس ماڈلز میں پہلے نمبر پر ہے۔ Sophon-Realtime v1 کے Tag (اعلیٰ اظہاریت)، Flash (تیز ردِعمل) اور E2E (تحقیقی پیش نظارہ) تین ورژن ہیں۔ اسے ایک 80GB گرافکس کارڈ پر تعینات کیا جا سکتا ہے، یہ Apache-2.0 لائسنس کے تحت ہے اور تجارتی استعمال کی اجازت دیتا ہے۔

02Sophon-Realtime v1 کے اہم فیچرز

مکمل ڈوپلیکس مکالمہ: بات کرتے وقت مسلسل سنتا رہتا ہے، آپ کے رکنے پر فوراً بات سنبھال لیتا ہے، اور درمیان میں بولنے پر فوری طور پر رک کر نئے سوال کا جواب دیتا ہے۔
لہجے کو سمجھنا: ہچکچاہٹ، زور، ہنسی، آہٹ، طنزیہ گفتگو اور دیگر غیر لسانی معلومات کو پہچان سکتا ہے، صرف لفظی مواد نہیں سنتا۔
لہجے کے ساتھ بولنا: جواب دیتے وقت آواز میں قدرتی طور پر ہنسی، آہٹ، گلا صاف کرنے اور سانس لینے کی آوازیں شامل ہوتی ہیں، محض متن پڑھا نہیں جاتا۔
کثیر الوسائط فہم: اسے چارٹ اور اسکرین شاٹس دکھائیں، یہ انہیں سمجھ کر زبانی تشریح کر سکتا ہے۔
ٹول کالنگ: متعدد مراحل والی ٹول کالنگ کو سپورٹ کرتا ہے (Full-Duplex-Bench v3 Pass@1 48% تک)، اور کام انجام دے سکتا ہے۔
Live موڈ: OpenAI GPT-Live پروٹوکول سے مطابقت رکھتا ہے اور بڑے ماڈل کے بیک اینڈ کے ساتھ مل کر کام کر سکتا ہے۔
تیز تعیناتی: ایک کمانڈ اور ایک 80GB گرافکس کارڈ سے آن لائن کیا جا سکتا ہے، جبکہ Flash ورژن کا پہلا پیکٹ صرف 0.31 سیکنڈ میں آتا ہے۔
فائن ٹیوننگ: ms-swift کی بنیاد پر LoRA کے ذریعے شخصیت، اندازِ گفتگو، شعبہ جاتی علم اور ٹول کالنگ کی عادات کو فائن ٹیون کیا جا سکتا ہے۔

03Sophon-Realtime v1 کا تکنیکی اصول

WeChat پر فالو کر کے “اوپن سورس” کا جواب دیں اور AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں ایک ماڈل، سنتے ہوئے فیصلہ کرتا ہے: آڈیو مسلسل ماڈل میں داخل ہوتی رہتی ہے۔ صارف کے ہر وقفے پر وہی 32B ماڈل صرف ایک ٹوکن کے ذریعے فیصلہ کر سکتا ہے کہ صارف نے بات مکمل کر لی ہے، ابھی بول رہا ہے، تائید کر رہا ہے یا سوچ رہا ہے۔ الگ الگ اسپیچ ریکگنیشن، خاموشی کی شناخت، ٹرن ڈیٹیکشن اور اسپیچ سنتھیسس ماڈیولز کو جوڑنے کی ضرورت نہیں، اس طرح روایتی صوتی معاون کی پائپ لائن بہت آسان ہو جاتی ہے۔ پہلے سے مسودہ، وقت پر گفتگو: صارف کے پہلے وقفے پر ماڈل جواب کا مسودہ تیار کرنا شروع کر دیتا ہے؛ جیسے ہی فیصلہ ہوتا ہے کہ اب اس کی باری ہے، فوراً بولنا شروع کر دیتا ہے۔ اگر صارف بولتا رہتا ہے تو مسودہ سنے جانے سے پہلے خودکار طور پر ضائع ہو جاتا ہے، جس سے بات کاٹنے سے بچا جا سکتا ہے۔ صرف کیا کہنا نہیں، کیسے کہنا بھی: جواب تیار کرتے وقت ماڈل بیک وقت صوتی ٹیگز (جیسے [laughter]، [sigh]، [cough]، زوردار الفاظ) شامل کرتا ہے، جو بتاتے ہیں کہ کہاں ہنسنا، آہ بھرنا یا سانس لینا ہے۔ Tag اور Flash ورژن ایک ہی دماغ شیئر کرتے ہیں، صرف مختلف صوتی ماڈلز کے ذریعے ٹیگز کی “ادائیگی” کی جاتی ہے، اور ٹیگز کو پڑھا نہیں جاتا۔ متن آدھا قدم آگے، آواز ساتھ ساتھ: متن اور آواز متوازی طور پر اسٹریم میں تیار ہوتے ہیں، متن ہمیشہ آدھا قدم آگے رہتا ہے۔ اس سے اینڈ ٹو اینڈ ماڈل کی رفتار کا فائدہ برقرار رہتا ہے، جبکہ ہر جملے کا قابلِ آڈٹ متنی ریکارڈ بھی موجود ہوتا ہے، جو ٹول کالنگ اور بڑے بیک اینڈ ماڈلز کے لیے سہولت فراہم کرتا ہے۔ جو حقیقتاً سنا گیا اسے یاد رکھنا: مکالمے کی تاریخ دونوں فریقوں کی حقیقی آڈیو محفوظ کرتی ہے۔ صارف کے درمیان میں روکنے پر صرف وہ حصہ محفوظ رہتا ہے جو صارف نے حقیقت میں سنا تھا، تاکہ اگلی گفتگو غلط بات سے نہ جڑے اور پہلے کہی گئی بات دوبارہ نہ دہرائی جائے۔

04Sophon-Realtime v1 کیسے استعمال کریں

ماحولیاتی تنصیب: یقینی بنائیں کہ سسٹم Linux + CUDA + Python 3.12 ہے، پھر pip install sophon-realtime چلائیں۔
سروس شروع کریں: sophon-realtime serve چلائیں۔ پہلی بار شروع ہونے پر تقریباً 42GB کے Tag وزن خودکار طور پر ڈاؤن لوڈ ہوں گے، اس کے بعد سروس 8000 پورٹ پر سن رہی ہوگی۔
API کال کریں: ws://HOST:8000/v1/realtime (مکمل ڈوپلیکس) یا POST /v1/chat/completions (آواز اندر، متن+آواز باہر) کے ذریعے ماڈل سے تعامل کریں۔
مکالمے کی جانچ: python client_example.py --wav میری-بات.wav --lang zh --voice vivian_zh چلائیں، تاکہ صوتی پیغام بھیج کر جواب سن سکیں۔
Live موڈ سے منسلک ہوں (اختیاری): انجن کے ساتھ cd sophon-realtime/live && BUILD=tag PORT=8000 LIVE_PORT=8780 bash start_live.sh چلائیں، پھر OpenAI GPT-Live پروٹوکول کے ذریعے اپنے بیک اینڈ بڑے ماڈل سے منسلک ہو سکیں گے۔
فائن ٹیوننگ اور تخصیص (اختیاری): ms-swift کے ذریعے 80GB گرافکس کارڈ پر LoRA انداز میں تربیت دیں، jsonl فارمیٹ میں مکالمے کا ڈیٹا تیار کریں (آڈیو لکھیں، جواب میں [laughter] جیسے ٹیگز شامل کریں)، پھر swift sft کمانڈ چلانے سے شخصیت اور شعبہ جاتی علم تبدیل کیا جا سکتا ہے۔

05Sophon-Realtime v1 کے بنیادی فوائد

اوپن سورس مکمل ڈوپلیکس میں اول: VoiceBench میں 82.8 اسکور، GPT-4o-mini-Audio کے برابر، اور MiniCPM-o 4.5 (76.1) جیسے دیگر اوپن سورس مکمل ڈوپلیکس ماڈلز سے بہتر۔
صوتی استدلال میں بہترین: 1,000 صوتی استدلالی سوالات پر مشتمل Big Bench Audio میں 81.8% درست جوابات، جو اس سے پہلے کے بہترین اوپن سورس ماڈل Raon SpeechChat (58%) سے کہیں زیادہ ہے۔
لہجے کو سمجھتا ہے: LISTEN، StressTest اور MSPB کے غیر لسانی بینچ مارکس میں سماعتی ماڈل DuplexJev کی مجموعی پہلی پوزیشن (48.6) ہے، جو Gemini 3.8 Flash اور Qwen3-Omni سے زیادہ ہے۔
لہجے کے ساتھ بولتا ہے: NVV-SuperBench پر Tag ورژن کا چینی اسکور 0.86 اور انگریزی اسکور 0.80 ہے؛ ہنسی، آہٹ اور گلا صاف کرنے جیسی ادائیگیاں سب سے زیادہ قدرتی ہیں۔
کام انجام دے سکتا ہے: Full-Duplex-Bench v3 ٹول کالنگ Pass@1 میں 48% تک، جو Grok (43%) سے زیادہ ہے، اور ضرورت کے وقت 100% بات سنبھال لیتا ہے۔
تیز اور زیادہ صارفین کو سنبھالنے والا: Flash ورژن کا پہلا پیکٹ 0.31 سیکنڈ میں، ایک کارڈ پر 40 بیک وقت کنکشن؛ Tag ورژن تقریباً 0.6 سیکنڈ میں، 16 بیک وقت کنکشن۔

06Sophon-Realtime v1 کا پروجیکٹ لنک

GitHub ریپوزٹری: https://github.com/adventists-ai/sophon-realtime

07Sophon-Realtime v1 کے استعمال کے منظرنامے

ذہین کسٹمر سروس: Flash ورژن کا پہلا پیکٹ 0.31 سیکنڈ میں آتا ہے، ایک کارڈ پر 40 بیک وقت کنکشن سنبھالتا ہے، صارف کے جذبات کو سمجھ سکتا ہے اور کاروباری امور کے لیے متعدد مراحل میں ٹولز چلا سکتا ہے، اس لیے بڑے کال سینٹرز کے لیے موزوں ہے۔
AI معاونت اور ورچوئل کردار: Tag ورژن کا لہجہ سب سے زیادہ اظہاریت رکھتا ہے، ہنس اور آہ بھر سکتا ہے، اس لیے جذباتی معاونت، ورچوئل پارٹنر اور گیم NPC کے لیے موزوں ہے۔
گاڑی میں صوتی معاون: مکمل ڈوپلیکس موڈ میں کسی بھی وقت بات کاٹی جا سکتی ہے اور کم تاخیر کے ساتھ جواب ملتا ہے؛ ویک ورڈ کی ضرورت نہیں، جبکہ لہجے کو سمجھ کر ڈرائیور کی حالت کا اندازہ لگانے میں بھی مدد مل سکتی ہے۔
AI ہارڈویئر ٹرمینلز: ٹیم کی ٹیکنالوجی 300 سے زیادہ ہارڈویئر مصنوعات میں نافذ ہو چکی ہے۔ Apache-2.0 لائسنس کے تحت تجارتی استعمال ممکن ہے، اس لیے اسے اسپیکرز، کھلونوں، روبوٹس اور دیگر آلات میں شامل کرنا آسان ہے۔
کاروباری صوتی ایجنٹس: Live موڈ GPT-Live پروٹوکول سے مطابقت رکھتا ہے۔ Sophon “سننے اور بولنے” کی ذمہ داری سنبھالتا ہے جبکہ استفسار اور کام مکمل کرنے کے لیے بیک اینڈ بڑے ماڈل کو استعمال کیا جاتا ہے، اس لیے بینکنگ، سرکاری خدمات، ہوا بازی اور دیگر شعبوں کے لیے حسبِ ضرورت خدمات موزوں ہیں۔

ویب سائٹ کھولیں مسئلے کی اطلاع دیں

Sophon-Realtime v1 آپریشن میں