/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
24 сен 2026

DuplexJev-B-Qwen3-ASR-0.6B-Qwen3-4B

Распознавание речиАудио, текст → текст3 профессии

DuplexJev-B — речевая модель для быстрых ответов на вопросы с вариантами и оценки кратких речевых признаков по аудио.

21скачиваний 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-Qwen3-4B — речевая модель для коротких решений по аудиозаписи, созданная adventists-ai. Она объединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B и замороженную языковую модель Qwen3-4B через обученный коннектор на основе frame stacking и проектора SwiGLU; у коннектора 12,6 млн обучаемых параметров. Модель относится к архитектуре Ultravox и выдаёт распределение вероятностей по вариантам ответа за один проход, без пошаговой генерации токенов.

Модель предназначена для речевых вопросов с вариантами ответа и коротких оценок речевых признаков, например пола говорящего или эмоции. В README приведены результаты на небольших наборах для spoken QA и отмечена чувствительность ответов к формулировкам подсказок. Она не рассчитана на открытые вопросы, требующие обширных знаний, или потоковую обработку речи. Эмоциональные метки основаны на постановочной речи и не подходят для принятия решений о людях.

Для работы требуются указанные в карточке аудиоэнкодер и Qwen3-4B; коннектор отдельно с другими компонентами не работает. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. В карточке указана поддержка китайского и английского языков.

Сценарии применения

  • ответы на вопросы с вариантами по короткой аудиозаписи
  • быстрая классификация эмоциональной окраски речи
  • оценка признаков говорящего в аудиоклипе
  • параллельная проверка нескольких вопросов по одному речевому фрагменту

Ограничения

Оценивалась на небольших наборах с прочитанной или разыгранной речью; потоковая обработка не проверялась. Модель слабо отвечает на вопросы, требующие общих знаний, а эмоциональные метки на основе постановочных корпусов не следует использовать 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-Qwen3-ASR-0.6B-Qwen3-4B

A small DuplexJev connector: the Qwen3-ASR-0.6B encoder (frozen) feeds a frozen Qwen3-4B, 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/Qwen3-4B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 12.6 M trainable parameters
Audio tokensQwen3-ASR at 12.5 Hz, 2 frames stacked → 6.25 audio tokens/s
Total parameters4220 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-Qwen3-4B")          # 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)7977
qa100, Qwen3-4B reading the transcript82–
ZJU-ML (spoken QA, real + TTS)57–
Gender, 800 real utterances52.554.0
Emotion, 4-way, 800 utterances27.927.1

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): 54 ms on one H200 (bf16); 5427 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
684eb97

0 моделей