/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
24 сен 2026

DuplexJev-B-Whisper-small-Qwen3-1.7B

Распознавание речиАудио, текст → текст3 профессии

Компактная аудиотекстовая модель для ответов на короткие вопросы и определения признаков речи по аудио.

15скачиваний 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-Whisper-small-Qwen3-1.7B — компактная аудиотекстовая модель от adventists-ai для ответов на вопросы и классификации речевых сигналов. Она объединяет замороженный аудиоэнкодер Whisper-small и замороженную Qwen3-1.7B с обучаемым коннектором на 29,4 млн параметров: коннектор преобразует выход последнего слоя энкодера с помощью укладки кадров и проектора SwiGLU. Для типизированных вопросов модель оценивает варианты ответа по распределению токенов за один проход, без генерации последовательности.

Модель рассчитана на короткие решения по аудио, spoken QA и оценку признаков говорящего, например пола или эмоций. В README приведены результаты на небольших наборах: 48% для qa100 по протоколу статьи и 42% с настройками duplexjev 0.2.1; показатели чувствительны к формулировке запроса. Модель ограничена качеством небольшой LLM и не предназначена для открытых вопросов на знания. Проверялась на прочитанной или разыгранной речи, а потоковый ввод, квантование и запуск на NPU не оценивались. Эмоциональные метки получены на корпусах с актёрской речью и не должны использоваться для принятия решений о людях. Коннектор совместим только с указанными Whisper и Qwen. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по коротким аудиозаписям
  • классификация эмоций в речи
  • определение пола говорящего по голосовым признакам
  • быстрые решения по аудио с выбором из заданных вариантов

Ограничения

Оценивалась на небольших наборах с прочитанной или разыгранной речью; потоковый ввод не проверялся, а ответы на открытые вопросы ограничены возможностями небольшой LLM. Эмоциональные метки основаны на актёрской речи и не подходят для принятия решений о людях; коннектор работает 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-Whisper-small-Qwen3-1.7B

A small DuplexJev connector: the Whisper-small encoder (frozen) feeds a frozen Qwen3-1.7B, 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)openai/whisper-small
LLM (frozen)Qwen/Qwen3-1.7B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 29.4 M trainable parameters
Audio tokensWhisper at 50 Hz, 8 frames stacked → 6.25 audio tokens/s
Total parameters1838 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-Whisper-small-Qwen3-1.7B")          # 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)4842
qa100, Qwen3-1.7B reading the transcript66–
ZJU-ML (spoken QA, real + TTS)32–
Gender, 800 real utterances47.552.4
Emotion, 4-way, 800 utterances30.428.9

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): 42 ms on one H200 (bf16); 2351 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
ae26ca5

0 моделей