/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-32B
Библиотека
transformers
Опубликована
23 сен 2026

DuplexJev-B-Qwen3-ASR-0.6B-Qwen3-32B

Распознавание речиАудио, текст → текст3 профессии

DuplexJev-B связывает аудиоэнкодер Qwen3-ASR с Qwen3-32B для ответов на вопросы по речи и извлечения однотокенных решений.

22скачиваний 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 — вариант модели DuplexJev от adventists-ai для извлечения текстовых ответов и закрытых решений непосредственно из речи. Она соединяет замороженный аудиоэнкодер adventists-ai/Qwen3-ASR-0.6B-Encoder с замороженной Qwen/Qwen3-32B через обученный коннектор в формате Ultravox. Вариант B передаёт выход последнего слоя энкодера через объединение кадров и SwiGLU-проектор; обучено 17,8 млн параметров коннектора.

Модель предназначена для ответов на вопросы по аудиозаписи и классификации речевых событий, например определения конца реплики, подходящего заполнителя паузы или говорящего. Решение читается как распределение по одному токену без этапа генерации, что позволяет задавать несколько вопросов за один проход. Поддерживаются китайский и английский языки; запросы следует формулировать на языке аудиозаписи с вариантами ответа в стиле обучающих примеров. Лицензия — Apache-2.0.

В опубликованных оценках приведены результаты на небольших наборах QA и определения состояния очереди речи; результаты зависят от формулировки запроса. Модель проверяли на прочитанной или сыгранной речи, а не на потоковом аудио. Классификация эмоций обучена на корпусах с актёрской речью, поэтому её не следует использовать для принятия решений о людях. Для работы необходимы указанные аудиоэнкодер и языковая модель.

Сценарии применения

  • ответы на вопросы с вариантами по аудиозаписи
  • определение, закончилась ли реплика говорящего
  • выбор подходящего заполнителя паузы в речи
  • оценка эмоциональной категории в аудиозаписи
  • определение признаков голоса, например пола говорящего

Ограничения

Модель оценивали на небольших наборах прочитанной или сыгранной речи, а не на потоковом вводе; обучение паралингвистическим задачам может снизить точность ответов на спонтанную речь. Классификацию эмоций не следует использовать для решений об отдельных людях; для работы нужны указанные в карточке аудиоэнкодер 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 · content (R2)

DuplexJev reads typed, closed-set decisions from speech (is the turn over? which filler fits? who is speaking?) as a single-token distribution of a frozen LLM, with zero decode steps and many questions per forward pass. This repository holds one connector that joins a frozen ASR encoder to a frozen LLM, in Ultravox format.

ASR encoder (frozen)adventists-ai/Qwen3-ASR-0.6B-Encoder (from Qwen/Qwen3-ASR-0.6B)
LLM (frozen)Qwen/Qwen3-32B
ConnectorB (last layer): the final encoder layer (h18) goes straight into the projector (frame stacking ×2 + SwiGLU MLP). 17.8 M trainable parameters.
Audio tokens6.25 per second (stack factor 2)
This variantRound 2 of content alignment (transcription + continuation, transcript distillation). The best content connector in the paper. No paralinguistic training.

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-Qwen3-32B", device="auto")  # Qwen3-32B bf16: ~65 GB of GPU memory

# English clip
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")
# Chinese clip: ask in Chinese, with Chinese options
d.decide("utterance_zh.wav", [
    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")
# -> {question_id: {"answer": ..., "confidence": ..., "probs": {option: p, ...}}}

Ask in the language of the clip, with options worded as in the examples: the connector was trained with language-matched prompts. Use duplexjev>=0.2.1; 0.2.0 padded audio at the start, which costs several points. Already have local copies of the encoder and LLM? Pass text_model="/path/Qwen3-32B" and audio_model="/path/Qwen3-ASR-0.6B-Encoder"; this works offline.

decide_batch answers question groups over many clips in one pass. See the GitHub repository for the batched pipeline, prefix sharing, the serving loop and evaluation scripts.

Results (paper, Tables 2–3)

EvaluationScore (%)
qa100 (spoken QA, /100)90 (oracle transcript: 91)
ZJU-ML (spoken QA, /100)79
Easy-Turn (zero-shot turn state)76.1
Gender, 800 real utterances54 (chance)
Emotion, 4-way, 800 utterances27 (chance)

qa100: 100 bilingual spoken multiple-choice questions (adventists-ai/qa100). ZJU-ML: main-language part of the ZJU audio benchmark v2.0.0 (50 real-speech factual + 50 TTS math/logic items). Numbers are single-token readouts with the paper's evaluation prompts.

Reproduced with duplexjev 0.2.1 and its default prompts (one option order, lang matched to the clip):

EvaluationScore (%)
Gender, 800 real utterances52.5
Emotion, 4-way, 800 utterances26.6
qa10088

Training

  • Frozen: Qwen3-ASR-0.6B encoder and Qwen3-32B. Trained: the connector only.
  • Content rounds (R1–R2): transcript distillation (token-level KL to the LLM's transcript-conditioned output, T = 2).
  • Decision training: answer-token supervision, cross-entropy on the single option letter at the readout position. Transcript distillation alone cannot teach speaker cues, because its teacher never hears the voice.
  • Data: public ASR/translation mixture: WenetSpeech, GigaSpeech, LibriSpeech, Common Voice, CoVoST (two packs of 0.5 M utterances).

Limitations

  • Evaluated on read or acted speech and small test sets (100–800 items); not on streaming input.
  • Paralinguistic training lowers accuracy on real spontaneous-style factual questions (see ZJU-ML above).
  • 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 and code in this repository. The frozen base models keep their own licences (Qwen3-32B and Qwen3-ASR-0.6B: Apache-2.0). The training corpora have their own terms, and some of them (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
0a6af2f

0 моделей