PolyAI új audió-alapú modellje, a Dialog-RSN-1 valós idejű beszélgetéseket kezel

A PolyAI bemutatta a Dialog-RSN-1 nevű audió-alapú dialogmodellt, amely közvetlenül a bejövő hangot dolgozza fel, nem pedig egy átiratot. A modell képes integrálni a beszéd felismerését, a funkcióhívásokat és a válaszadást egyetlen architektúrába, és már éles hívásokat kezel. A Dialog-RSN-1 a PolyAI saját bevallása szerint a legmagasabb pontszámot elérő valós idejű modell a cég belső Dialog-Eval benchmarkján. (MarkTechPost)

A Dialog-RSN-1 csak a bemeneti oldalon audió-tudatos, a kimeneti hang továbbra is különálló, vezérelhető TTS-rendszeren keresztül érkezik. Ez lehetővé teszi a hang testreszabását, szemben más modellekkel, amelyek a hangot magába építik. A modell kérésalapú LLM-ként fut, nem pedig folyamatos streamként, ami csökkenti a GPU-terhelést. A válaszidő alatti 300 ezredmásodperc alatti késleltetést ígérnek A100 GPU-kon.

A PolyAI szerint a modell 8 milliárd sűrű és 30 milliárd ritka paraméter közötti tartományban mozoghat, és a fejlesztés során a Google Gemma, GPT-OSS, Qwen és Mistral nyílt súlyú multimodális modelleket finomhangoltak. A késleltetés csökkentése érdekében a figyelmi gyorsítótárat feltöltik, amíg a felhasználó beszél, és egy append-only prompt sablont használnak. A transzkripció a válasz vagy a funkcióhívás után fut, párhuzamosan a beszédgenerálással.

A Dialog-RSN-1 egyelőre csak angol nyelven érhető el, kizárólag a PolyAI platformján keresztül. A cég nem tervezi nyílt súlyok vagy nyilvános API kiadását. A modell jelenleg több mint 100 vállalati ügyfél és 2000+ élő telepítés esetén van használatban, főként éttermek, biztosítók, pénzügyi szolgáltatók, egészségügyi intézmények és telekommunikációs cégek körében.

A PolyAI tervezi a Dialog-Eval teljesítményteszt és egy technikai jelentés megnyitását, hogy külsőleg is validálhassák a modell teljesítményét. A cég 2025 decemberében zárta 86 millió dolláros Series D befektetési körét.