/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
8,4 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
DuplexJev-4B
Библиотека
vllm
Опубликована
3 окт 2026

DuplexJev-4B-Turn

Распознавание речиАудио, текст → текст

Аудиоязыковая модель определяет состояние реплики и выбирает действие для управления очередностью в голосовом диалоге.

29скачиваний за 30 дней0лайковвеса обновлены5 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DuplexJev-4B-Turn — модель для анализа речи и принятия решений о ходе диалога, разработанная adventists-ai. Она принимает аудиоклип и выдает текстовое решение из заданного набора вариантов: например, продолжать говорить или остановиться и слушать, ответить или подождать, определить, закончилась ли реплика, была ли пауза, обратная реплика или перебивание. Для решений используется распределение вероятностей по одному токену, что позволяет задавать несколько вопросов об одном клипе параллельно без генерации последовательности токенов.

Модель объединяет аудиоэнкодер Qwen3-ASR-0.6B, коннектор и Qwen3-4B; всего около 4,2 млрд параметров, формат весов bf16. Это объединение DuplexJev-4B с Qwen3-4B и Qwen3-ASR-0.6B, дообученное для распознавания смены говорящего и момента передачи хода. Карточка описывает данные и оценки для китайских и английских разговоров; модель обслуживается через vLLM, контекст ограничен 4096 токенами в примере запуска. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое.

Модель полезна для голосовых диалоговых систем, которым нужно решать, когда отвечать, продолжать речь или ждать. Она обрабатывает один клип за раз и сама по себе не является потоковым детектором конца реплики; для работы с потоком её вызывают на паузах. Она может ошибочно принять паузу внутри длинной реплики за конец хода. Метки эмоций получены на актерских корпусах, поэтому авторы не рекомендуют использовать такие результаты для принятия решений о людях.

Сценарии применения

  • определение, закончил ли собеседник говорить
  • решение, отвечать голосовому ассистенту или продолжать ждать
  • распознавание обратных реплик и перебиваний в разговоре
  • выбор момента остановки речи ассистента и возврата к прослушиванию
  • анализ очередности реплик в китайских и английских диалогах

Ограничения

Обрабатывает один аудиоклип за вызов и сама по себе не является потоковым детектором конца реплики. Может принять паузу внутри длинной реплики за конец хода; метки эмоций основаны на актерских корпусах и не предназначены для выводов о конкретных людях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DuplexJev-4B-Turn

📄 Paper: arXiv:2610.02638 · Code: github.com/adventists-ai/duplexjev

DuplexJev-4B with a turn-taking upgrade. Same size, same serving stack, same prompt format; it decides much better when to speak, when to keep talking and when to stop, while spoken QA, gender and emotion stay where they were.

DuplexJev reads typed, closed-set decisions from speech as a single-token distribution of the LLM: zero decode steps, many questions about the same clip in parallel. This repository is the complete model (Qwen3-ASR-0.6B encoder

  • connector + Qwen3-4B, 4.2 B parameters, bf16).

What changed

Starting from DuplexJev-4B we trained the connector together with a small LoRA on the LLM (rank 16 on q/k/v/o, 0.6 % of the parameters; merged into the weights here) on 110 k turn-taking questions rewritten from public corpora, mixed with the original content and paralinguistic data:

sourceclipswhat it teaches
Easy-Turn training set (synthetic + real)44 kChinese: finished / unfinished / backchannel / "wait"
SmoothConv30 kChinese multi-party conversation with turn labels, with text history
otoSpeech + DualTurn frame labels12.5 kEnglish two-channel conversation: end of turn, pause, backchannel, interruption
DuplexGen Spoken14 kEnglish human–AI dialogues with text history
MUSAN noise, distant background voices9 ksounds the assistant should ignore

Most questions give the system state (the assistant is speaking / idle) and ask for an action (keep talking / stop and listen; reply / keep waiting); the rest ask for the user's turn state.

Results

qa100ZJU-MLgenderemotionVoiceBench OBQA / MMSUEasy-TurnCoDeTT zh / enTurnBench-dev clips†
DuplexJev-4B745088.691.247.3 / 41.378.162.0 / 53.549.4
DuplexJev-4B-Turn745289.492.046.4 / 41.792.567.0 / 68.687.3

Paper protocol (single-token readout, PyTorch), % correct. Through vLLM with duplexjev-vllm in the client wording: qa100 77, ZJU-ML 49, gender 87.0, emotion 88.4, Easy-Turn 92.8.

  • Easy-Turn: 800-item four-way turn-state test set; the training mix contains the Easy-Turn training split (disjoint from the test set), so this score is in-domain.
  • CoDeTT (arXiv 2603.25434): 18 k items, system state given, four actions averaged; zero-shot (no CoDeTT data in training). Our protocol: current utterance as audio, no history. For reference, published results: GPT-4o-audio 66.6 / 71.9, Qwen3-Omni 70.4 / 70.9.
  • † TurnBench-dev clips: our own clip-level protocol on the TurnBench development conversations (the official test labels are withheld): end of turn, pause inside a turn, backchannel, floor-taking interruption, noise / channel bleed; mean of four action accuracies. Not comparable with the official TurnBench leaderboard.
  • Weakest remaining case: a pause in the middle of a long turn (the model takes the turn too early about half the time).

Serve with vLLM

pip install "vllm[audio]>=0.29" duplexjev-vllm
vllm serve adventists-ai/DuplexJev-4B-Turn --max-model-len 4096

Prompt format, client and decision tables are the same as for DuplexJev-4B; see examples/vllm_client.py. A state-aware question, for example:

The user said: <|audio|>

Question: The user said this while the assistant was speaking. What should the assistant do?

Options:
A. keep talking (backchannel, noise, or not addressed to the assistant)
B. stop and listen (interruption or a new request)

Answer with only the letter of the correct option.

Limitations

  • Decides on one clip at a time; it is not a streaming end-of-turn detector by itself (call it at each pause).
  • Pauses inside long turns are still often taken as the end of the turn.
  • Emotion labels come from acted corpora; do not use the outputs to make decisions about individuals.

License

CC BY-NC 4.0, research use only (emotion data ESD is research-only; SmoothConv is CC BY-NC). Base models keep their licences: Qwen3-4B and Qwen3-ASR-0.6B are Apache-2.0 (Alibaba Cloud). The LLM weights here are Qwen3-4B with a LoRA merged in.

Citation

@misc{jin2026duplexjev,
  title         = {Batched Speech Decisions Without Decoding: Single-Token Supervision Lets a Frozen {LLM} Hear Beyond the Transcript},
  author        = {Jin, Jie and Ma, Ziyin and Yin, Min and Chen, Jinyu and Song, Haigang and Pang, Zhikun and Zhang, Xiaowen},
  year          = {2026},
  eprint        = {2610.02638},
  archivePrefix = {arXiv},
  note          = {Submitted to IEEE ICASSP 2027}
}

Built by Adventists.ai. Claude (Anthropic) assisted with code.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Архитектура ultravox неизвестна transformers в образе рантайма.

Класс архитектуры
DuplexJevForConditionalGeneration
Ревизия весов
88b5834

0 моделей