/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
ultravox · dense
Базовая модель
SmolLM3-3B
Библиотека
transformers
Опубликована
27 сен 2026

DuplexJev-B-Whisper-small-SmolLM3-3B

Распознавание речиАудио, текст → текст3 профессии

Аудиоязыковой коннектор на базе Whisper-small и SmolLM3-3B для коротких ответов на вопросы по речи и определения характеристик говорящего.

25скачиваний 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-SmolLM3-3B — компактный аудиоязыковой коннектор семейства Ultravox от adventists-ai. Он соединяет замороженный энкодер OpenAI Whisper-small с замороженной языковой моделью SmolLM3-3B; обучаемая часть — проектор SwiGLU с укладкой аудиокадров и 29,4 млн параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением вероятностей по вариантам за один шаг, без генерации последовательности токенов; за один проход можно задать несколько вопросов.

Модель предназначена для коротких решений по речи: ответов на вопросы по аудиоклипам и определения характеристик говорящего, включая эмоции. В карточке приведены результаты на небольших наборах для устных вопросов и паралингвистических задач, а также измерения задержки. Указанные языки — китайский и английский; лицензия — Apache-2.0.

Оценка проводилась на прочитанной или разыгранной речи и небольших выборках; потоковый ввод не оценивался. Небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний, а распознавание эмоций обучалось на разыгранной речи, поэтому эти результаты не следует использовать для принятия решений о людях. Коннектор совместим только с указанными Whisper-small и SmolLM3-3B.

Сценарии применения

  • ответы на вопросы с вариантами по аудиоклипу
  • классификация эмоций в речи
  • оценка паралингвистических характеристик говорящего
  • пакетное получение ответов на несколько вопросов по одному аудиофрагменту

Ограничения

Оценивалась на прочитанной или разыгранной речи и небольших тестовых наборах; потоковый ввод не проверялся. Небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний, а метки эмоций получены из разыгранной речи и не подходят для решений о людях; коннектор работает только с указанными Whisper-small и SmolLM3-3B.

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-SmolLM3-3B

A small DuplexJev connector: the Whisper-small encoder (frozen) feeds a frozen SmolLM3-3B, 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)HuggingFaceTB/SmolLM3-3B
Connectorlast encoder layer → frame stacking + SwiGLU projector (B), 29.4 M trainable parameters
Audio tokens50 Hz encoder frames, 8 stacked → 6.25 audio tokens/s
Total parameters3193 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-SmolLM3-3B")

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")

The connector was trained with SmolLM3's no-think format (an empty <think></think> block before the answer). The tokenizer in this repository carries that chat template; SmolLM3's default template adds a long system prompt with today's date and would not match.

Results

Evaluation (%)paper protocolduplexjev 0.2.2 defaults
qa100 (spoken QA)3840
qa100, SmolLM3-3B reading the transcript77–
ZJU-ML (spoken QA, real + TTS)48–
Easy-Turn (4-way turn state, 800 clips)26.1–
Gender, 800 real utterances52.958
Emotion, 4-way, 800 utterances30.129.2

Leaderboard scores (see the GitHub README): main language (mean of qa100, ZJU-ML, Easy-Turn) 37.4, paralinguistics (mean of gender, emotion) 41.5.

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): 6.5 s on 8 CPU threads (Xeon Platinum 8558, fp32, not quantized); about 149 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: SmolLM3-3B (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
899a6da

0 моделей