/ Модель

Характеристики

Контекст
1 010 000 токенов
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-Para-MOSS-Transcribe-Qwen3-4B-2507

Распознавание речиАудио, текст → текст3 профессии

Аудиоязыковой коннектор для коротких ответов на вопросы о речи и классификации признаков говорящего по аудиозаписи.

23скачиваний 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-Para-MOSS-Transcribe-Qwen3-4B-2507 — аудиоязыковой коннектор для коротких решений по речи, разработанный adventists-ai. Он соединяет замороженный аудиокодировщик Whisper из MOSS-Transcribe-Diarize и замороженную Qwen3-4B-Instruct-2507; обучаемая часть — коннектор с проектором SwiGLU и объединением кадров, около 38,8 млн обучаемых параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением по вариантам ответа без генерации токенов; за один проход можно обработать несколько вопросов.

Модель предназначена для классификации речевых признаков, например пола говорящего и эмоции, а также коротких вопросов и решений по аудиозаписи. В README приведены результаты на наборах spoken QA и паралингвистических задач, однако оценка проводилась на небольших тестовых наборах с прочитанной или разыгранной речью. Модель не проверялась на потоковом аудио, а небольшая языковая модель плохо справляется с вопросами, требующими общих знаний. Метки эмоций получены на разыгранной речи и не подходят для принятия решений о людях. Коннектор работает только с указанными кодировщиком и языковой моделью. Лицензия репозитория — CC-BY-NC-4.0.

Сценарии применения

  • классификация эмоции в короткой аудиозаписи
  • определение пола говорящего по речи
  • ответы на вопросы с вариантами по аудиоклипу
  • оценка коротких речевых решений без генерации длинного текста

Ограничения

Проверена на небольших наборах прочитанной или разыгранной речи, но не на потоковом вводе; небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний. Эмоциональные метки основаны на разыгранной речи, поэтому их не следует использовать для принятия решений о людях; коннектор требует указанные в README кодировщик 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-Para-MOSS-Transcribe-Qwen3-4B-2507

A small DuplexJev connector: the MOSS-Transcribe-Diarize audio encoder (Whisper architecture, 24 layers, 307 M) (frozen) feeds a frozen Qwen3-4B-2507, 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)Qwen/Qwen3-4B-Instruct-2507
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 38.8 M trainable parameters
Audio tokens50 Hz encoder frames, 8 stacked → 6.25 audio tokens/s
Total parameters4368 M (encoder + LLM + connector)
This variantR2 connector + 4k steps of the four-task mixture (transcription, continuation, gender, emotion) under the mixed objective: transcript distillation for content samples, answer-token cross-entropy for decision samples (the paper's MIX-KD recipe). Hears speaker gender and four-way emotion.

Quick start

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

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-Para-MOSS-Transcribe-Qwen3-4B-2507")

d.decide("utterance_en.wav", [
    Question("gender", "What is the perceived gender of the speaker?", ["female", "male"], lang="en"),
    Question("emotion", "What is the speaker's emotional state?", ["neutral", "happy", "angry", "sad"], lang="en"),
], lang="en")
d.decide("utterance_zh.wav", [                            # Chinese speech: Chinese question and options
    Question("gender", "说话人的性别是?", ["男性", "女性"], lang="zh"),
    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")

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)6163
qa100, Qwen3-4B-2507 reading the transcript84–
ZJU-ML (spoken QA, real + TTS)42–
Easy-Turn (4-way turn state, 800 clips)45.8–
Gender, 800 real utterances95.596.1
Emotion, 4-way, 800 utterances85.483.4

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 49.6, paralinguistics (mean of gender, emotion) 90.5.

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): 6.2 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 154 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), then 4k steps of MIX-KD on content + gender (AISHELL-1, LibriSpeech) + emotion (ESD, CREMA-D). 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

CC BY-NC 4.0, research use only for the connector weights: trained on the ESD emotional speech corpus, which is licensed for research only, and on CREMA-D. Do not use it for commercial purposes. The frozen models keep their own licences: Qwen3-4B-2507 (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
92e011d

0 моделей