/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Falcon-H1-1.5B-Instruct
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-Para-Whisper-small-Falcon-H1-1.5B

Распознавание речиАудио, текст → текст3 профессии

Аудиоязыковой коннектор на базе Whisper-small и Falcon-H1-1.5B для коротких вопросов по речи и определения паралингвистических признаков.

27скачиваний 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-Whisper-small-Falcon-H1-1.5B — аудиоязыковой коннектор для коротких решений по речи и определения паралингвистических признаков. В модели замороженный энкодер Whisper-small передаёт аудиопризнаки замороженной Falcon-H1-1.5B-Instruct через обучаемый проектор SwiGLU с укладкой кадров; обучаемая часть содержит 29,4 млн параметров. Для типизированного вопроса модель оценивает варианты ответа распределением по одному токену, без генерации последовательности.

Модель предназначена для коротких вопросов по аудиоклипам, включая речевые вопросы-ответы, классификацию эмоций и определение характеристик голоса. В README приведены результаты на небольших тестах устной речи, а также измерения задержки: модель может быть медленной на CPU без специальных Mamba-ядер и требует отдельной строки для каждого вопроса. Поддерживаются китайский и английский языки согласно метаданным.

Ограничения включают оценку преимущественно на прочитанной или сыгранной речи, небольшие тестовые наборы и отсутствие оценки потокового ввода. Модель слабо отвечает на вопросы, требующие общих знаний; автор также предостерегает от использования меток эмоций для решений о людях. Коннектор работает только с указанными энкодером и языковой моделью. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями некоммерческого характера.

Сценарии применения

  • ответы на короткие вопросы по аудиозаписи речи
  • определение эмоции в голосе
  • оценка речевых характеристик говорящего
  • классификация вариантов ответа для устной речи

Ограничения

Проверена преимущественно на прочитанной или сыгранной речи и небольших тестовых наборах; потоковый ввод не оценивался. Модель слабо отвечает на вопросы, требующие общих знаний, медленна на CPU без Mamba-ядер, а метки эмоций не следует использовать для 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-Whisper-small-Falcon-H1-1.5B

A small DuplexJev connector: the Whisper-small encoder (frozen) feeds a frozen Falcon-H1-1.5B, 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)openai/whisper-small
LLM (frozen)tiiuae/Falcon-H1-1.5B-Instruct
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 29.4 M trainable parameters
Audio tokens50 Hz encoder frames, 8 stacked → 6.25 audio tokens/s
Total parameters1672 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-Whisper-small-Falcon-H1-1.5B")

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")

Falcon-H1 is a hybrid attention + Mamba model. Recurrent layers carry state along the sequence, so duplexjev (≥ 0.2.2) turns off prefix packing for it automatically (mode="batch": one row per question). For GPU speed install the Mamba kernels: pip install mamba-ssm causal-conv1d (they must be built for your torch/CUDA); without them transformers falls back to a slow reference path.

Results

Evaluation (%)paper protocolduplexjev 0.2.2 defaults
qa100 (spoken QA)4344
qa100, Falcon-H1-1.5B reading the transcript73–
ZJU-ML (spoken QA, real + TTS)35–
Easy-Turn (4-way turn state, 800 clips)32.4–
Gender, 800 real utterances83.287
Emotion, 4-way, 800 utterances70.273.5

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 36.8, paralinguistics (mean of gender, emotion) 76.7.

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): 85.3 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 187 ms on one H200 (bf16, measured while the GPU was shared with a training job). Falcon-H1 is not CPU-friendly: without Mamba CPU kernels transformers uses a slow reference path, and each question needs its own row.

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: Falcon-H1-1.5B (TII Falcon License 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
958ea9d

0 моделей