/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
24 сен 2026

DuplexJev-B-Qwen3-ASR-0.6B-Qwen3-0.6B

Распознавание речиАудио, текст → текст3 профессии

Компактный аудиоязыковой коннектор DuplexJev отвечает на короткие вопросы о речи, выбирая вариант ответа по входному аудиоклипу.

28скачиваний 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-Qwen3-ASR-0.6B-Qwen3-0.6B — компактный аудиоязыковой коннектор семейства DuplexJev от adventists-ai для ответов на короткие вопросы по речи. Он соединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B с замороженной языковой моделью Qwen3-0.6B через обучаемый проектор SwiGLU с укладкой кадров; обучаемая часть содержит 9,4 млн параметров. На каждый вопрос модель оценивает одним проходом распределение вероятностей по вариантам ответа, без генерации токенов; за проход можно обработать несколько вопросов.

Модель предназначена для spoken QA и коротких решений по аудиоклипам, в том числе для определения характеристик голоса. В README приведены результаты на небольших наборах qa100 и ZJU-ML, а также задержка одного прохода на GPU H200 и CPU Xeon. Поддерживаются английская и китайская языковые настройки. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Оценка проводилась на прочитанной или сыгранной речи и небольших выборках; потоковый ввод не оценивался. Качество ответов на вопросы, требующие общих знаний, ограничено возможностями компактной языковой модели. Метки эмоций основаны на актёрских корпусах, поэтому результаты не следует использовать для принятия решений о людях. Коннектор работает только с указанными в карточке энкодером и языковой моделью; работу на NPU и после квантизации не проверяли.

Сценарии применения

  • ответы на вопросы с выбором варианта по короткому аудиоклипу
  • определение эмоциональной окраски речи
  • оценка характеристик говорящего по голосу
  • пакетная оценка нескольких вопросов по одному аудиофрагменту

Ограничения

Оценивалась на прочитанной или сыгранной речи и небольших наборах данных, без проверки потокового ввода; ответы на вопросы об общих знаниях ограничены возможностями компактной LLM. Метки эмоций происходят из актёрских корпусов и не подходят для принятия решений о людях; коннектор совместим 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-Qwen3-ASR-0.6B-Qwen3-0.6B

A small DuplexJev connector: the Qwen3-ASR-0.6B encoder (frozen) feeds a frozen Qwen3-0.6B, 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/Qwen3-0.6B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 9.4 M trainable parameters
Audio tokensQwen3-ASR at 12.5 Hz, 2 frames stacked → 6.25 audio tokens/s
Total parameters790 M (encoder + LLM + connector)
This variantContent alignment only (R1–R2, transcript distillation). No paralinguistic training: gender and emotion are at chance. A starting point for your own decision fine-tuning.

Quick start

pip install "duplexjev[speech]>=0.2.1"
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-Qwen3-ASR-0.6B-Qwen3-0.6B")          # fits on one small GPU or CPU

d.decide("utterance_en.wav", [
    Question("turn", "Has the user finished speaking?", ["finished", "not finished"], lang="en"),
    Question("intent", "What does the user want?", ["climate", "media", "navigation", "phone", "chit-chat"], lang="en"),
], lang="en")
d.decide("utterance_zh.wav", [                            # Chinese speech: Chinese question and options
    Question("turn", "用户说完了吗?", ["说完了", "还没说完"], lang="zh"),
    Question("intent", "用户想做什么?", ["空调", "媒体", "导航", "电话", "闲聊"], lang="zh"),
], lang="zh")

Results

Evaluation (%)paper protocolduplexjev 0.2.1 defaults
qa100 (spoken QA)3645
qa100, Qwen3-0.6B reading the transcript45–
ZJU-ML (spoken QA, real + TTS)23–
Gender, 800 real utterances54.151.0
Emotion, 4-way, 800 utterances24.426.2

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): 76 ms on one H200 (bf16); 893 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). 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

Apache-2.0 for the connector weights. The frozen base models keep their own licences. Some training corpora (e.g. WenetSpeech, CoVoST 2) are licensed for non-commercial use only; check them before commercial use.

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
28b0629

0 моделей