/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
SmolLM3-3B
Библиотека
transformers
Опубликована
27 сен 2026

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

Распознавание речиАудио, текст → текст

Модель анализирует короткие аудиозаписи, отвечая на вопросы о содержании речи и её характеристиках, например об эмоции говорящего.

20скачиваний 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-SmolLM3-3B — аудиотекстовая модель adventists-ai для коротких решений и анализа речевых характеристик. Она использует архитектуру Ultravox: замороженный аудиоэнкодер MOSS-Transcribe-Diarize на архитектуре Whisper передаёт признаки через обученный коннектор в замороженную SmolLM3-3B. Коннектор включает проектор SwiGLU, имеет 37,8 млн обучаемых параметров; размер SmolLM3-3B — около 3,1 млрд параметров. Для типизированных вопросов модель оценивает варианты ответа как распределение по отдельным токенам без генерации последовательности, что позволяет обрабатывать несколько вопросов за один проход.

Модель предназначена для вопросов по коротким аудиозаписям, распознавания эмоциональных и гендерных характеристик голоса и других задач классификации речи. Карточка приводит оценки на небольших наборах тестов и время обработки одного события принятия решения, но результаты зависят от протокола и оборудования. Ограничения: проверялась на прочитанной и сыгранной речи, не на потоковом вводе; небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний; метки эмоций получены на корпусах актёрской речи и не подходят для принятия решений о людях. Коннектор рассчитан только на указанные в карточке энкодер и языковую модель. Лицензия — CC BY-NC 4.0.

Сценарии применения

  • ответы на короткие вопросы по аудиозаписи
  • определение эмоции в речи
  • оценка гендерных характеристик голоса
  • параллельная классификация речи по нескольким вопросам
  • анализ прочитанной или сыгранной речи

Ограничения

Оценивалась на небольших наборах прочитанной или сыгранной речи, а не на потоковом аудио; на вопросах, требующих общих знаний, качество ограничено возможностями SmolLM3-3B. Метки эмоций основаны на актёрской речи и не должны использоваться для принятия решений о людях; коннектор требует указанные энкодер и языковую модель.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DuplexJev-B-Para-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 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-SmolLM3-3B")

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 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)3341
qa100, SmolLM3-3B reading the transcript77–
ZJU-ML (spoken QA, real + TTS)41–
Easy-Turn (4-way turn state, 800 clips)46.1–
Gender, 800 real utterances97.997.8
Emotion, 4-way, 800 utterances84.685.9

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 40.0, paralinguistics (mean of gender, emotion) 91.2.

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), 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: 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
0cc16b3

0 моделей