/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-32B
Библиотека
transformers
Опубликована
23 сен 2026

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

Распознавание речиАудио, текст → текст3 профессии

DuplexJev-A — коннектор к аудиоэнкодеру и LLM для однотокенных ответов на вопросы о содержании и характеристиках речи.

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 — обучаемый коннектор для анализа речи, разработанный adventists-ai. Он соединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B с замороженной языковой моделью Qwen3-32B в архитектуре Ultravox; сам коннектор использует cross-attention fusion и проектор, обучено 21,1 млн параметров. Модель выдаёт однотокенные ответы на вопросы о произнесённой речи без пошаговой генерации, поэтому за один проход можно получить решения для нескольких вопросов.

Модель предназначена для ответов на вопросы по аудио, определения состояния хода разговора, выбора речевых заполнителей, распознавания говорящего и анализа паралингвистических признаков. В README приведены результаты на двуязычном наборе spoken QA qa100, бенчмарке ZJU-ML и задаче определения состояния хода Easy-Turn; отдельные проверки охватывают пол и эмоции. Для лучшей работы запросы следует формулировать на языке аудио и согласовывать варианты ответа с примерами обучения.

Модель принимает аудио и текстовые запросы, выдаёт текстовые ответы. В карточке указаны английский и китайский языки; базовые компоненты — Qwen3-ASR-0.6B и Qwen3-32B. Лицензия — Apache-2.0. Коннектор работает только с указанными энкодером и LLM. Оценка проведена на небольших тестовых выборках с прочитанной или разыгранной речью, а потоковый ввод не проверялся; точность определения эмоций и пола ограничена, и результаты по эмоциям не следует использовать для принятия решений о людях.

Сценарии применения

  • ответы на вопросы с вариантами по произнесённой речи
  • определение конца хода разговора
  • выбор подходящего речевого заполнителя
  • определение говорящего по голосу
  • классификация эмоций в речи
  • определение пола говорящего

Ограничения

Оценена на небольших наборах прочитанной или разыгранной речи; потоковый ввод не проверялся. Точность определения эмоций и пола ограничена, а результаты классификации эмоций не следует использовать для принятия решений о людях; модель требует совместного использования с указанными энкодером и LLM.

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 · content (R2)

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 variantRound 2 of content alignment (transcription + continuation, transcript distillation). No paralinguistic training: gender and emotion are at chance. Use it as the starting point for your own decision fine-tuning.

Quick start

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

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

# English clip
d.decide("utterance_en.wav", [
    Question("turn", "Has the user finished speaking?", ["finished", "not finished"], lang="en"),
    Question("intent", "What does the user want?", ["climate", "media", "navigation", "phone", "chit-chat"], lang="en"),
], lang="en")
# Chinese clip: ask in Chinese, with Chinese options
d.decide("utterance_zh.wav", [
    Question("turn", "用户说完了吗?", ["说完了", "还没说完"], lang="zh"),
    Question("intent", "用户想做什么?", ["空调", "媒体", "导航", "电话", "闲聊"], 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 (%)
qa100 (spoken QA, /100)83
ZJU-ML (spoken QA, /100)77
Easy-Turn (zero-shot turn state)77.1
Gender, 800 real utterances55 (chance)
Emotion, 4-way, 800 utterances28 (chance)

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 utterances53.1
Emotion, 4-way, 800 utterances27.0
qa10085

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: public ASR/translation mixture: WenetSpeech, GigaSpeech, LibriSpeech, Common Voice, CoVoST (two packs of 0.5 M utterances).

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

Apache-2.0 for the connector weights and code in this repository. The frozen base models keep their own licences (Qwen3-32B and Qwen3-ASR-0.6B: Apache-2.0). The training corpora have their own terms, and some of them (e.g. WenetSpeech, CoVoST 2) are licensed for non-commercial use only; check them before commercial use.

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
73c3b87

0 моделей