/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
SmolLM3-3B
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-MOSS-Transcribe-SmolLM3-3B

Распознавание речиАудио, текст → текст3 профессии

Модель анализирует речь и выбирает ответы на короткие вопросы или метки речевых характеристик без пошаговой генерации текста.

24скачиваний за 30 дней0лайковвеса обновлены27 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-MOSS-Transcribe-SmolLM3-3B — компактная аудиотекстовая модель семейства Ultravox от adventists-ai. Она объединяет замороженный аудиоэнкодер MOSS-Transcribe-Diarize на архитектуре Whisper и замороженную языковую модель SmolLM3-3B через обучаемый коннектор с проектором SwiGLU; обучено 37,8 млн параметров коннектора. Модель оценивает варианты ответа по аудиозаписи, выдавая распределение по вариантам без генерации токенов, поэтому подходит для коротких решений и распознавания речевых характеристик.

Предназначена для вопросов и классификационных задач по речи, включая spoken QA и определение характеристик говорящего. В карточке указаны английский и китайский языки. В опубликованной оценке результаты spoken QA составили 47% по протоколу статьи и 53% с настройками duplexjev 0.2.2; тестирование проводилось на небольших наборах. Модель не предназначена для потокового ввода и открытых вопросов, требующих обширных знаний. Эмоциональные метки основаны на актёрской речи и не должны использоваться для принятия решений о людях. Лицензия — Apache-2.0; для работы нужны указанные в карточке базовые компоненты.

Сценарии применения

  • ответы на короткие вопросы по аудиозаписи
  • выбор варианта ответа в задачах spoken QA
  • определение эмоции в произнесённой речи
  • анализ речевых характеристик говорящего
  • оценка заранее заданных вариантов по аудиоклипу

Ограничения

Проверена на небольшой выборке преимущественно прочитанной или разыгранной речи; потоковый ввод не оценивался, а открытые вопросы со значительными требованиями к знаниям модель решает слабо. Эмоциональные метки получены на актёрских корпусах и не подходят для принятия решений о людях; коннектор рассчитан только на указанные аудиоэнкодер и языковую модель.

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-MOSS-Transcribe-SmolLM3-3B

A small DuplexJev connector: the MOSS-Transcribe-Diarize audio encoder (Whisper architecture, 24 layers, 307 M) (frozen) feeds a frozen SmolLM3-3B, and every typed question is read as a single-token distribution over its options, with zero decode steps and many questions per forward pass. Trained with the same recipe as the Qwen3-32B connectors released with the paper.

Audio encoder (frozen)adventists-ai/MOSS-Transcribe-Diarize-Whisper-Encoder
LLM (frozen)HuggingFaceTB/SmolLM3-3B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 37.8 M trainable parameters
Audio tokens50 Hz encoder frames, 8 stacked → 6.25 audio tokens/s
Total parameters3420 M (encoder + LLM + connector)
This variantContent alignment only (R1–R2, transcript distillation). No paralinguistic training: gender and emotion are at chance. A starting point for your own decision fine-tuning.

Quick start

pip install "duplexjev[speech]>=0.2.2"
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-MOSS-Transcribe-SmolLM3-3B")

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")
d.decide("utterance_zh.wav", [                            # Chinese speech: Chinese question and options
    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")

The connector was trained with SmolLM3's no-think format (an empty <think></think> block before the answer). The tokenizer in this repository carries that chat template; SmolLM3's default template adds a long system prompt with today's date and would not match.

The encoder is the audio encoder of MOSS-Transcribe-Diarize (Apache-2.0), repackaged as a standard Whisper encoder in adventists-ai/MOSS-Transcribe-Diarize-Whisper-Encoder.

Results

Evaluation (%)paper protocolduplexjev 0.2.2 defaults
qa100 (spoken QA)4753
qa100, SmolLM3-3B reading the transcript77–
ZJU-ML (spoken QA, real + TTS)47–
Easy-Turn (4-way turn state, 800 clips)36.4–
Gender, 800 real utterances53.558
Emotion, 4-way, 800 utterances2930.6

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 43.5, paralinguistics (mean of gender, emotion) 41.2.

Paper protocol: the evaluation prompts of the paper (single option order, one H200). duplexjev defaults: the package's own prompts with lang matched to the clip. Spoken QA with a small LLM is bounded by the LLM itself (see the transcript-reading row); use these connectors for short decisions and speaker cues rather than open knowledge questions.

Latency of one decision event (10 questions, one 4.5 s clip, duplexjev 0.2.2, plain PyTorch): 5.8 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 156 ms on one H200 (bf16, measured while the GPU was shared with a training job).

Training

Frozen encoder and LLM; only the connector is trained: R1 and R2 transcript distillation on two disjoint 0.5 M-utterance packs of the Ultravox v0.6 mixture (32k steps each, global batch 16). Code and scripts: https://github.com/adventists-ai/duplexjev.

Limitations

  • Evaluated on read or acted speech and small test sets (100–800 items); not on streaming input.
  • Small LLMs answer knowledge questions poorly even from the transcript.
  • 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. Some training corpora (e.g. WenetSpeech, CoVoST 2) are licensed for non-commercial use only; check them before commercial use. The frozen models keep their own licences: SmolLM3-3B (Apache-2.0) and the encoder (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
3c6765b

0 моделей