/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
24 сен 2026

DuplexJev-B-Para-Qwen3-ASR-0.6B-Qwen3-1.7B

Распознавание речиАудио, текст → текст3 профессии

Компактная модель для ответов на короткие вопросы по аудио и определения речевых характеристик, таких как пол и эмоции.

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-B-Para-Qwen3-ASR-0.6B-Qwen3-1.7B — компактная аудиотекстовая модель семейства Ultravox от adventists-ai для коротких решений по речи и определения паралингвистических признаков. Замороженный аудиоэнкодер Qwen3-ASR-0.6B передаёт представления через обучаемый коннектор с укладкой кадров и проектором SwiGLU в замороженную языковую модель Qwen3-1.7B. Обучены только 11,5 млн параметров коннектора; модель выдаёт оценки вариантов ответа за один проход без генерации токенов, позволяя задавать несколько вопросов за проход.

Модель предназначена для spoken QA, короткой классификации речевых характеристик, включая пол и эмоции, и решений по коротким аудиофрагментам. В README приведены результаты на наборах qa100 и ZJU-ML, а также замеры задержки на H200 и CPU. Поддерживаемые в метаданных языки — китайский и английский.

Качество зависит от формулировки запроса и ограничено возможностями небольшой языковой модели; модель слабо отвечает на общие вопросы, а результаты оценки эмоций основаны на актёрской речи и не подходят для решений о конкретных людях. Проверка потокового аудио, квантизации и NPU не проводилась. Коннектор работает только с указанными энкодером и LLM. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

Сценарии применения

  • ответы на вопросы по коротким аудиозаписям
  • определение эмоций в речи
  • определение пола говорящего
  • оценка вариантов ответа по голосовому сообщению
  • анализ актёрской и прочитанной речи

Ограничения

Оценивалась на прочитанной или актёрской речи и небольших тестовых наборах; потоковый ввод не проверялся. Ответы на вопросы об общих знаниях ограничены возможностями небольшой LLM, а метки эмоций получены на актёрских корпусах и не подходят для принятия решений о людях.

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-Qwen3-ASR-0.6B-Qwen3-1.7B

A small DuplexJev connector: the Qwen3-ASR-0.6B encoder (frozen) feeds a frozen Qwen3-1.7B, and every typed question is read as a single-token distribution over its options, with zero decode steps and many questions per forward pass. It is the edge-sized counterpart of the Qwen3-32B connectors released with the paper, trained with the same recipe.

Audio encoder (frozen)adventists-ai/Qwen3-ASR-0.6B-Encoder
LLM (frozen)Qwen/Qwen3-1.7B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 11.5 M trainable parameters
Audio tokensQwen3-ASR at 12.5 Hz, 2 frames stacked → 6.25 audio tokens/s
Total parameters1917 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]>=0.2.1"
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-Para-Qwen3-ASR-0.6B-Qwen3-1.7B")          # fits on one small GPU or CPU

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")

Results

Evaluation (%)paper protocolduplexjev 0.2.1 defaults
qa100 (spoken QA)5951
qa100, Qwen3-1.7B reading the transcript66–
ZJU-ML (spoken QA, real + TTS)39–
Gender, 800 real utterances84.888.5
Emotion, 4-way, 800 utterances89.188.4

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 sensitive to the prompt wording, and it 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. For comparison, the Qwen3-32B connectors reach 90 (qa100), 89.9 (gender) and 90.0 (emotion); see adventists-ai.

Latency of one decision event (10 questions, one 4.5 s clip, one forward pass, duplexjev 0.2.1, plain PyTorch): 44 ms on one H200 (bf16); 2142 ms on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized). On-device NPUs and quantization have not been tested yet.

Training

Frozen encoder and LLM; only the connector is trained, with the paper's recipe: 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. 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 base models keep their own licences.

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
e13ea74

0 моделей