/ Модель

Характеристики

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

DuplexJev-B-SenseVoice-Small-Qwen3-4B

Распознавание речиАудио, текст → текст3 профессии

Компактная модель adventists-ai анализирует аудиоклипы и быстро отвечает на короткие вопросы о содержании и характеристиках речи.

16скачиваний за 30 дней0лайковвеса обновлены25 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-SenseVoice-Small-Qwen3-4B — компактная аудиотекстовая модель adventists-ai для ответов на короткие вопросы о речи и голосе. Замороженный аудиоэнкодер SenseVoice-Small передаёт признаки через обучаемый коннектор в замороженную Qwen3-4B. Коннектор использует стекирование кадров и проектор SwiGLU; у него 11,5 млн обучаемых параметров. На каждый вопрос модель выдаёт распределение по вариантам ответа без генерации токенов, поэтому за один проход можно обработать несколько вопросов.

Модель рассчитана на короткие решения по аудиоклипам, распознавание речевых характеристик и подсказки о говорящем. В README приведены результаты для spoken QA, пола и эмоций, однако тесты проводились на небольших наборах и читаемой или актёрской речи. Авторы отмечают, что формулировка запроса влияет на результат, а качество ответов на вопросы, требующие общих знаний, ограничено возможностями небольшой языковой модели. Потоковый ввод не оценивался; коннектор совместим только с указанными энкодером и LLM. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на короткие вопросы по аудиозаписи
  • определение эмоции в актёрской речи
  • оценка характеристик говорящего
  • пакетная классификация речевых сигналов по вариантам ответа

Ограничения

Оценка проведена на небольших наборах читаемой или актёрской речи; потоковый ввод не оценивался. Формулировка запросов влияет на результат, модель слабо отвечает на вопросы, требующие общих знаний, а распознавание эмоций 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-SenseVoice-Small-Qwen3-4B

A small DuplexJev connector: the SenseVoice-Small 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/SenseVoice-Small-Encoder
LLM (frozen)Qwen/Qwen3-4B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 11.5 M trainable parameters
Audio tokensSenseVoice at 16.7 Hz (60 ms LFR frames), 3 frames stacked → 5.6 audio tokens/s
Total parameters4255 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" torchaudio   # the SenseVoice encoder needs torchaudio
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-SenseVoice-Small-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)7174
qa100, Qwen3-4B reading the transcript82–
ZJU-ML (spoken QA, real + TTS)57–
Gender, 800 real utterances53.452.9
Emotion, 4-way, 800 utterances26.926.9

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): 149 ms on one H200 (bf16); 6057 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.

The SenseVoice-Small encoder (Alibaba Group, FunAudioLLM) is redistributed under the FunASR Model Open Source License; keep its attribution and model name.

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
eca0ba8

0 моделей