/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
24 сен 2026

DuplexJev-B-Para-Qwen3-ASR-0.6B-Qwen3-4B

Распознавание речиАудио, текст → текст3 профессии

DuplexJev — речевая модель на базе Qwen3, которая быстро отвечает на вопросы с вариантами ответа по аудио и определяет характеристики говорящего.

24скачиваний 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-Qwen3-4B — компактный аудиотекстовый коннектор семейства DuplexJev. Он принимает речь от замороженного энкодера Qwen3-ASR-0.6B и передаёт её через обучаемый проектор в замороженную языковую модель Qwen3-4B. На вопросы с заранее заданными вариантами ответа модель выдаёт распределение вероятностей по вариантам за один прямой проход без декодирования токенов, поэтому за один проход можно задать несколько вопросов.

Модель предназначена для коротких решений по речи и определения характеристик говорящего, включая пол и эмоции. В README приведены оценки для вопросов по звучащей речи и измерения задержки; авторы предупреждают, что результаты зависят от формулировки запросов, а вопросы на общие знания модель решает хуже. Обучался только коннектор: использовались дистилляция транскриптов и данные для вопросов по содержанию, полу и эмоциям.

Проверка проводилась на читаемой или актёрской речи и небольших тестовых наборах; потоковый режим не оценивался. Эмоциональные метки получены на актёрских корпусах и не предназначены для принятия решений о людях. Коннектор совместим только с указанными энкодером и LLM. Лицензия — CC BY-NC 4.0, то есть использование ограничено некоммерческими целями.

Сценарии применения

  • ответы с выбором варианта на вопросы по короткой аудиозаписи
  • определение пола говорящего по речи
  • распознавание эмоциональной окраски актёрской речи
  • получение нескольких речевых оценок за один проход модели

Ограничения

Оценивалась на читаемой и актёрской речи и небольших тестовых наборах; потоковый режим не проверялся. Эмоциональные метки происходят из актёрских корпусов, модель слаба в вопросах на общие знания и работает только с указанными энкодером и LLM.

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-Qwen3-4B

A small DuplexJev connector: the Qwen3-ASR-0.6B encoder (frozen) feeds a frozen Qwen3-4B, 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/Qwen3-4B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 12.6 M trainable parameters
Audio tokensQwen3-ASR at 12.5 Hz, 2 frames stacked → 6.25 audio tokens/s
Total parameters4220 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-Qwen3-4B")          # 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)7277
qa100, Qwen3-4B reading the transcript82–
ZJU-ML (spoken QA, real + TTS)51–
Gender, 800 real utterances89.488.0
Emotion, 4-way, 800 utterances91.991.4

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): 54 ms on one H200 (bf16); 5427 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
57739ba

0 моделей