/ Модель

Характеристики

Контекст
1 010 000 токенов
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-Whisper-small-Qwen3-4B-2507

Распознавание речиАудио, текст → текст3 профессии

DuplexJev — модель для ответов на короткие вопросы и классификационных решений по аудиоклипам с помощью Whisper-small, коннектора и Qwen3-4B.

27скачиваний за 30 дней0лайковвеса обновлены27 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-Qwen3-4B-2507 — аудиоязыковая модель семейства Ultravox от adventists-ai для ответов на короткие вопросы по речи и принятия решений по аудиоклипам. Whisper-small кодирует аудио, а Qwen3-4B-Instruct-2507 обрабатывает его представление; обучаемый коннектор объединяет кадры энкодера и проецирует их в пространство языковой модели. Энкодер и языковая модель заморожены, обучено 30,4 млн параметров коннектора. Модель выдаёт распределение вероятностей по вариантам ответа без генерации токенов, что позволяет задавать несколько вопросов за один проход.

Предназначена для коротких решений по аудио, вопросов и ответов по услышанному, а также определения речевых и голосовых признаков, например эмоций и характеристик говорящего. В README приведены результаты на небольших наборах spoken QA и тестах паралингвистики. Заявленные измерения задержки относятся к обработке одного клипа длительностью 4,5 секунды и не описывают потоковый режим.

Модель поддерживает английский и китайский языки согласно карточке. Распространяется по лицензии Apache-2.0. Она рассчитана на короткие решения, а не на открытые вопросы, требующие обширных знаний; оценивалась на чтении и актёрской речи и небольших тестовых выборках. Распознавание эмоций проверялось на актёрских корпусах, поэтому README предостерегает от использования таких результатов для решений о людях. Коннектор совместим только с указанными Whisper-small и Qwen3-4B-Instruct-2507.

Сценарии применения

  • ответы на короткие вопросы по содержанию аудиозаписи
  • выбор ответа из заданных вариантов по устной речи
  • оценка эмоций в голосе
  • извлечение речевых признаков для паралингвистических задач

Ограничения

Оценивалась на небольших наборах чтения и актёрской речи и не проверялась на потоковом вводе; небольшая языковая модель слабо отвечает на вопросы, требующие знаний. Распознавание эмоций основано на актёрских корпусах, поэтому его не следует использовать для принятия решений о людях; коннектор работает только с указанными Whisper-small и Qwen3-4B-Instruct-2507.

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-Qwen3-4B-2507

A small DuplexJev connector: the Whisper-small encoder (frozen) feeds a frozen Qwen3-4B-2507, and every typed question is read as a single-token distribution over its options, with zero decode steps and many questions per forward pass. Trained with the same recipe as the Qwen3-32B connectors released with the paper.

Audio encoder (frozen)openai/whisper-small
LLM (frozen)Qwen/Qwen3-4B-Instruct-2507
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 30.4 M trainable parameters
Audio tokens50 Hz encoder frames, 8 stacked → 6.25 audio tokens/s
Total parameters4141 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]>=0.2.2"
from duplexjev import Decider, Question

d = Decider.from_pretrained("adventists-ai/DuplexJev-B-Whisper-small-Qwen3-4B-2507")

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 0.2.2 defaults
qa100 (spoken QA)5361
qa100, Qwen3-4B-2507 reading the transcript84–
ZJU-ML (spoken QA, real + TTS)51–
Easy-Turn (4-way turn state, 800 clips)56.5–
Gender, 800 real utterances55.152.9
Emotion, 4-way, 800 utterances3130.8

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 53.5, paralinguistics (mean of gender, emotion) 43.0.

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 bounded by the LLM itself (see the transcript-reading row); use these connectors for short decisions and speaker cues rather than open knowledge questions.

Latency of one decision event (10 questions, one 4.5 s clip, duplexjev 0.2.2, plain PyTorch): 5.2 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 145 ms on one H200 (bf16, measured while the GPU was shared with a training job).

Training

Frozen encoder and LLM; only the connector is trained: 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. Some training corpora (e.g. WenetSpeech, CoVoST 2) are licensed for non-commercial use only; check them before commercial use. The frozen models keep their own licences: Qwen3-4B-2507 (Apache-2.0) and the encoder (Apache-2.0).

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
4e185e6

0 моделей