/ Модель

Характеристики

Контекст
1 010 000 токенов
Лицензия
CC BY-NC 4.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-Para-Whisper-small-Qwen3-4B-2507

Распознавание речиАудио, текст → текст3 профессии

Аудиоконнектор DuplexJev на базе Whisper-small и Qwen3-4B для коротких ответов на вопросы по речи и определения характеристик голоса.

26скачиваний 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-Qwen3-4B-2507 — аудиоконнектор DuplexJev для коротких решений по речи и анализа характеристик говорящего. Whisper-small кодирует аудио, а Qwen3-4B-Instruct-2507 интерпретирует его; обе базовые модели заморожены. Обучаемая часть — коннектор с проектором SwiGLU, насчитывающий 30,4 млн параметров. Для каждого вопроса модель выдаёт распределение вероятностей по вариантам ответа за один токен, поэтому может обрабатывать несколько вопросов за один проход без генерации текста.

Модель предназначена для задач spoken QA с короткими вариантами ответа, распознавания пола и эмоций по голосу и других кратких решений по речи. В README приведены результаты на тестовых наборах qa100 и ZJU-ML, а также оценки для задач паралингвистики. В описанном авторами тесте задержка одного события с 10 вопросами и аудиоклипом длительностью 4,5 секунды составила около 145 мс на H200 и 5,2 секунды на восьми CPU-потоках; эти показатели зависят от оборудования и настроек.

Оценка проводилась на прочитанной или разыгранной речи и небольших тестовых наборах; потоковый ввод не проверялся. Авторы отмечают слабые результаты небольшой языковой модели на вопросах, требующих знаний, и предостерегают от использования меток эмоций для принятия решений о людях. Коннектор совместим только с указанными Whisper-small и Qwen3-4B-Instruct-2507. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Сценарии применения

  • ответы на вопросы с вариантами по аудиозаписи
  • оценка пола говорящего по голосу
  • классификация эмоций в речи
  • извлечение кратких решений и сигналов из речевых фрагментов

Ограничения

Оценена на прочитанной или разыгранной речи и небольших тестовых наборах; работа с потоковым аудио не проверялась. Слабо отвечает на вопросы, требующие общих знаний; авторы также предостерегают от использования предсказаний эмоций 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-Qwen3-4B-2507

A small DuplexJev connector: the Whisper-small encoder (frozen) feeds a frozen Qwen3-4B-2507, 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)Qwen/Qwen3-4B-Instruct-2507
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 parameters4141 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-Qwen3-4B-2507")

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 0.2.2 defaults
qa100 (spoken QA)4355
qa100, Qwen3-4B-2507 reading the transcript84–
ZJU-ML (spoken QA, real + TTS)45–
Easy-Turn (4-way turn state, 800 clips)49.2–
Gender, 800 real utterances91.191.6
Emotion, 4-way, 800 utterances70.174.1

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 45.7, paralinguistics (mean of gender, emotion) 80.6.

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): 5.2 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 145 ms on one H200 (bf16, measured while the GPU was shared with a training job).

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: Qwen3-4B-2507 (Apache-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
61cedf5

0 моделей