/ Модель

Характеристики

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

DuplexJev-B-Para-SenseVoice-Small-Qwen3-4B

Распознавание речиАудио, текст → текст3 профессии

Аудиоязыковой коннектор SenseVoice-Small и Qwen3-4B для кратких ответов на вопросы и определения характеристик речи по аудиозаписи.

21скачиваний за 30 дней0лайковвеса обновлены25 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-SenseVoice-Small-Qwen3-4B — аудиоязыковой коннектор для коротких вопросов о речи, разработанный adventists-ai. Он передаёт признаки замороженного энкодера SenseVoice-Small в замороженную языковую модель Qwen3-4B через обучаемый проектор SwiGLU с укладкой аудиокадров; обучено 11,5 млн параметров коннектора. Для вопросов с заранее заданными вариантами модель оценивает распределение вероятностей по вариантам за один проход без генерации токенов, что позволяет задавать несколько вопросов по одному аудиофрагменту.

Модель предназначена для кратких решений по аудио, включая ответы на вопросы о произнесённом содержании и определение голосовых характеристик, например пола говорящего и эмоции. В README приведены результаты на задачах spoken QA и оценки задержки на GPU и CPU. Открытые вопросы на общие знания подходят хуже: даже Qwen3-4B, отвечая по транскрипту, показала лучший результат, чем аудиоконнектор. Модель не проверялась на потоковом аудио и на устройствах с NPU; требуется именно указанный в карточке энкодер и языковая модель.

Модель объединяет компоненты SenseVoice-Small и Qwen3-4B, поэтому derivation — merge. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • ответы на вопросы о содержании короткой аудиозаписи
  • определение эмоции в произнесённой речи
  • оценка пола говорящего по голосовым признакам
  • пакетная оценка нескольких вопросов по одному аудиофрагменту

Ограничения

Проверена на небольших наборах с прочитанной или разыгранной речью, но не на потоковом аудио; ответы на открытые вопросы о знаниях ограничены возможностями Qwen3-4B. Метки эмоций основаны на актёрских корпусах и не должны использоваться для принятия решений о людях; коммерческое использование ограничено лицензией CC BY-NC 4.0.

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-SenseVoice-Small-Qwen3-4B

A small DuplexJev connector: the SenseVoice-Small 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/SenseVoice-Small-Encoder
LLM (frozen)Qwen/Qwen3-4B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 11.5 M trainable parameters
Audio tokensSenseVoice at 16.7 Hz (60 ms LFR frames), 3 frames stacked → 5.6 audio tokens/s
Total parameters4255 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" torchaudio   # the SenseVoice encoder needs torchaudio
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-Para-SenseVoice-Small-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)6166
qa100, Qwen3-4B reading the transcript82–
ZJU-ML (spoken QA, real + TTS)37–
Gender, 800 real utterances76.871.8
Emotion, 4-way, 800 utterances89.084.9

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): 149 ms on one H200 (bf16); 6057 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.

The SenseVoice-Small encoder (Alibaba Group, FunAudioLLM) is redistributed under the FunASR Model Open Source License; keep its attribution and model name.

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
60fefff

0 моделей