Тут NVIDIA открыла исходный код Personaplex — модели для голосового общения, которая работает в реальном времени и умеет поддерживать любую роль и голос.
Модель очень крутая.

Personaplex — это полнодуплексная (full-duplex) speech-to-speech модель на 7 млрд параметров, которая:
• слушает и говорит одновременно — как живой собеседник;
• работает с минимальной задержкой (~200 мс);
• поддерживает текстовые промпты для роли + аудио-примеры для голоса;
• понимает перебивания, паузы, междометия («угу», «ага», «понял»).

Держите ссылки
GitHub репозиторий
Страница исследования NVIDIA
Научная статья на arXiv
Модель на Hugging Face
Демка )))

⚠️ Важно: Для запуска нужен токен Hugging Face и согласие с лицензией модели. Полная инструкция — в README репозитория.