/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-32B
Библиотека
transformers
Опубликована
24 сен 2026

DuplexJev-A-Emotion-Qwen3-ASR-0.6B-Qwen3-32B

Распознавание речиАудио, текст → текст3 профессии

DuplexJev-A-Emotion — модель для распознавания эмоций и выбора ответов на вопросы по аудиоречи за один проход.

19скачиваний за 30 дней0лайковвеса обновлены24 сен 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-A-Emotion — исследовательский аудиотекстовый коннектор для извлечения закрытых решений непосредственно из речи. Его разработал автор проекта DuplexJev; модель объединяет замороженный аудиоэнкодер на основе Qwen3-ASR-0.6B с замороженной Qwen3-32B через обучаемый блок слияния на основе cross-attention и проекционный слой. Обучено 21,1 млн параметров коннектора; базовые модели остаются замороженными.

Модель предназначена для классификации эмоций в речи и ответов на вопросы с выбором варианта, включая задачи о признаках голоса и ходе диалога. Она выдаёт распределение по вариантам ответа за один проход без генерации последовательности токенов. В карточке приведены результаты на небольших тестовых наборах китайской и английской речи; подсказки должны быть сформулированы на языке аудиозаписи. Для работы нужны указанные в карточке энкодер и LLM.

Обучение использовало 26 тысяч актёрских реплик из ESD и CREMA-D. Качество проверялось на прочитанной и актёрской речи, а не на потоковом вводе; обучение на паралингвистических данных снижает точность на некоторых фактических вопросах о спонтанной речи. Эмоциональные метки получены из актёрских корпусов, поэтому модель не следует использовать для принятия решений о людях. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Сценарии применения

  • распознавание эмоции в короткой речевой реплике
  • ответы на вопросы с вариантами по аудиозаписи
  • определение говорящего по признакам голоса
  • оценка того, завершил ли собеседник свою очередь
  • выбор подходящего слова-паразита для речевого контекста

Ограничения

Оценивалась на небольших наборах прочитанной и актёрской речи, а не на потоковом вводе; подсказки следует задавать на языке аудиозаписи. Обучение на эмоциях снижает точность на некоторых фактических вопросах о спонтанной речи, а эмоциональные оценки не предназначены для решений о людях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DuplexJev-A · emotion (research only)

DuplexJev reads typed, closed-set decisions from speech (is the turn over? which filler fits? who is speaking?) as a single-token distribution of a frozen LLM, with zero decode steps and many questions per forward pass. This repository holds one connector that joins a frozen ASR encoder to a frozen LLM, in Ultravox format.

ASR encoder (frozen)adventists-ai/Qwen3-ASR-0.6B-Encoder-XAttn (from Qwen/Qwen3-ASR-0.6B)
LLM (frozen)Qwen/Qwen3-32B
ConnectorA (cross-attention fusion): a fusion block (queries from encoder layer 18, keys from layer 14, values from layer 9; zero-initialised, added residually) followed by the projector. 21.1 M trainable parameters (fusion 3.2 M + projector 17.8 M).
Audio tokens6.25 per second (stack factor 2)
This variantR2 connector + 3k steps of answer-token supervision on a four-way emotion pack (neutral / happy / angry / sad).

Quick start

pip install "duplexjev[speech]>=0.2.1"
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-A-Emotion-Qwen3-ASR-0.6B-Qwen3-32B", device="auto")  # Qwen3-32B bf16: ~65 GB of GPU memory

# English clip
d.decide("utterance_en.wav", [
    Question("emotion", "What is the speaker's emotional state?", ["neutral", "happy", "angry", "sad"], lang="en"),
], lang="en")
# Chinese clip: ask in Chinese, with Chinese options
d.decide("utterance_zh.wav", [
    Question("emotion", "说话人当时的情绪状态是?", ["中性", "高兴", "生气", "伤心"], lang="zh"),
], lang="zh")
# -> {question_id: {"answer": ..., "confidence": ..., "probs": {option: p, ...}}}

Ask in the language of the clip, with options worded as in the examples: the connector was trained with language-matched prompts. Use duplexjev>=0.2.1; 0.2.0 padded audio at the start, which costs several points. Already have local copies of the encoder and LLM? Pass text_model="/path/Qwen3-32B" and audio_model="/path/Qwen3-ASR-0.6B-Encoder-XAttn"; this works offline.

decide_batch answers question groups over many clips in one pass. See the GitHub repository for the batched pipeline, prefix sharing, the serving loop and evaluation scripts.

Results (paper, Tables 2–3)

EvaluationScore (%)
Emotion, 4-way, 800 utterances71.8
qa10084 (+1 vs. R2)
ZJU-ML71 (−6 vs. R2)

qa100: 100 bilingual spoken multiple-choice questions (adventists-ai/qa100). ZJU-ML: main-language part of the ZJU audio benchmark v2.0.0 (50 real-speech factual + 50 TTS math/logic items). Numbers are single-token readouts with the paper's evaluation prompts.

Reproduced with duplexjev 0.2.1 and its default prompts (one option order, lang matched to the clip):

EvaluationScore (%)
Gender, 800 real utterances49.8
Emotion, 4-way, 800 utterances72.4
qa10080

Training

  • Frozen: Qwen3-ASR-0.6B encoder and Qwen3-32B. Trained: the connector only.
  • Content rounds (R1–R2): transcript distillation (token-level KL to the LLM's transcript-conditioned output, T = 2).
  • Decision training: answer-token supervision, cross-entropy on the single option letter at the readout position. Transcript distillation alone cannot teach speaker cues, because its teacher never hears the voice.
  • Data: R2 data + emotion pack: 26k acted utterances from ESD (Chinese, English) and CREMA-D (English).

Limitations

  • Evaluated on read or acted speech and small test sets (100–800 items); not on streaming input.
  • Paralinguistic training lowers accuracy on real spontaneous-style factual questions (see ZJU-ML above).
  • Emotion labels come from acted corpora; do not use the outputs to make decisions about individuals.
  • The connector only works with the encoder and LLM listed above.

License

CC BY-NC 4.0, research use only. This connector was trained on the ESD emotional speech corpus, which is licensed for research purposes only, and on CREMA-D (ODbL). Do not use it for commercial purposes. The frozen base models keep their own licences (Qwen3-32B and Qwen3-ASR-0.6B: Apache-2.0).

Citation

@inproceedings{jin2027duplexjev,
  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},
  booktitle = {Submitted to IEEE ICASSP},
  year      = {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 · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
UltravoxModel
Ревизия весов
cdaa56b

0 моделей