/ Модель

Характеристики

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

DuplexJev-B-Gender-Qwen3-ASR-0.6B-Qwen3-32B

Распознавание речиАудио, текст → текст3 профессии

DuplexJev-B · gender определяет заданные категории, в частности пол говорящего, по аудиоречи с помощью связки аудиоэнкодера Qwen3-ASR и Qwen3-32B.

26скачиваний 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-B · gender — модель для распознавания заданных категорий по аудиоречи. Её разработала adventists-ai: модель объединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B с замороженной языковой моделью Qwen3-32B через обученный коннектор в формате Ultravox. Вариант B подаёт в проектор выход последнего слоя энкодера; обучаемая часть содержит 17,8 млн параметров. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0.

Модель выдаёт распределение вероятностей для одного токена ответа и предназначена для закрытых задач по речи: например, определить пол говорящего или выбрать подходящий вариант ответа. Проверялась на гендерных метках, вопросах по аудио и других оценках; для теста на 800 реальных высказываниях указана точность около 87%. Подсказки следует формулировать на языке аудиозаписи и с вариантами, похожими на обучающие примеры. Поддерживаются китайский и английский языки.

Оценки получены на небольших наборах, включавших прочитанную и сыгранную речь; потоковый ввод не оценивался. Обучение на паралингвистических признаках может снижать точность ответов на фактические вопросы по спонтанной речи. Эмоциональные метки получены на актёрских корпусах, поэтому результаты не следует использовать для принятия решений об отдельных людях. Для работы необходимы указанные в карточке энкодер и LLM.

Сценарии применения

  • определение пола говорящего в аудиозаписи
  • ответы на вопросы с вариантами по содержанию речи
  • выбор подходящего речевого заполнителя из заданных вариантов
  • исследовательская оценка аудиомоделей на речевых бенчмарках

Ограничения

Оценивалась на небольших наборах с прочитанной или сыгранной речью; работа с потоковым аудио не проверялась. Паралингвистическое обучение может снижать точность ответов на фактические вопросы по спонтанной речи, а эмоции размечались на актёрских корпусах.

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-B · gender

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 (from Qwen/Qwen3-ASR-0.6B)
LLM (frozen)Qwen/Qwen3-32B
ConnectorB (last layer): the final encoder layer (h18) goes straight into the projector (frame stacking ×2 + SwiGLU MLP). 17.8 M trainable parameters.
Audio tokens6.25 per second (stack factor 2)
This variantR2 connector + 6k steps of answer-token supervision on a gender pack (real speech only).

Quick start

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

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

# English clip
d.decide("utterance_en.wav", [
    Question("gender", "What is the perceived gender of the speaker?", ["female", "male"], lang="en"),
], lang="en")
# Chinese clip: ask in Chinese, with Chinese options
d.decide("utterance_zh.wav", [
    Question("gender", "说话人的性别是?", ["男性", "女性"], 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"; 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 (%)
Gender, 800 real utterances87.9
ZJU gender benchmark (native / lettered prompt)60 / 57
qa10087 (−3 vs. R2)
ZJU-ML81 (+2 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 utterances87.0
Emotion, 4-way, 800 utterances27.1
qa10088

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 + gender pack: 32k real utterances from AISHELL-1 and LibriSpeech with corpus-provided speaker gender.

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
28ca8ac

0 моделей