/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Falcon-H1-3B-Instruct
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-Para-Whisper-small-Falcon-H1-3B

Распознавание речиАудио, текст → текст3 профессии

Аудиоязыковой коннектор на базе Whisper-small и Falcon-H1-3B для коротких вопросов по речи и определения паралингвистических признаков.

32скачиваний 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-H1-3B — аудиоязыковой коннектор для коротких решений по речи, созданный на основе Whisper-small и Falcon-H1-3B-Instruct. Он передаёт представления аудио из замороженного энкодера Whisper в замороженную LLM через обучаемый проектор SwiGLU; обучаемая часть содержит 30,4 млн параметров. Для каждого вопроса модель выдаёт распределение вероятностей по вариантам ответа за один шаг, без генерации текста, поэтому за один проход можно оценивать несколько вопросов.

Модель предназначена для вопросов по устной речи и классификации паралингвистических признаков, включая пол говорящего и эмоции. В карточке указаны английский и китайский языки; обучение включает AISHELL-1, LibriSpeech, ESD и CREMA-D. По данным README, оценки на небольших наборах составили 49–50% для spoken QA и 85,0% в среднем для определения пола и эмоций. Модель использует архитектуру Ultravox и требует указанные в карточке Whisper-small и Falcon-H1-3B-Instruct; лицензия CC BY-NC 4.0 запрещает коммерческое использование. Для Falcon-H1 на CPU указана низкая производительность без специализированных Mamba-ядер.

Сценарии применения

  • ответы на вопросы по коротким аудиозаписям с выбором из вариантов
  • определение пола говорящего по речи
  • классификация эмоций в аудиозаписях
  • оценка речевых признаков в английских и китайских аудиоданных

Ограничения

Проверена на небольших наборах с чтением или актёрской речью, а не на потоковом аудио; небольшая LLM слабо отвечает на вопросы, требующие знаний. На CPU без Mamba-ядер модель работает медленно, а метки эмоций основаны 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-Whisper-small-Falcon-H1-3B

A small DuplexJev connector: the Whisper-small encoder (frozen) feeds a frozen Falcon-H1-3B, 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)openai/whisper-small
LLM (frozen)tiiuae/Falcon-H1-3B-Instruct
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 30.4 M trainable parameters
Audio tokens50 Hz encoder frames, 8 stacked → 6.25 audio tokens/s
Total parameters3268 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-H1-3B")

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")

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)5049
qa100, Falcon-H1-3B reading the transcript81–
ZJU-ML (spoken QA, real + TTS)45–
Easy-Turn (4-way turn state, 800 clips)42.1–
Gender, 800 real utterances90.491.8
Emotion, 4-way, 800 utterances79.577.6

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 45.7, paralinguistics (mean of gender, emotion) 85.0.

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): 169.7 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 104 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-H1-3B (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
e1930e0

0 моделей