DuplexJev-4B-Para

DuplexJev-4B-Para

接收语音和文字，用文字作答，并判断说话的人是否已经说完。适合想要小型音频模型的语音智能体开发者，它还能识别情绪和重音。

由 adventists-ai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是一个 4.2B 参数的音频模型，接收语音和文字，用文字回复。它的主要长处是实时轮流发言，也就是能判断说话的人是否已经说完。它还能处理情绪、重音、停顿、咳嗽、叹气和笑声，支持包括中文、英文和日文在内的大约八种语言。

适合谁：它适合开发语音智能体或语音工具的开发者，他们想要一个不只做转写、还会倾听的小模型。

Industry | Who uses it | How they use it | Example
语音智能体 | 语音助手开发者 | 判断来电者是否已经停止说话 | 发送音频和助手上一条消息，再读取是否说完的判断
语音研究 | 音频研究者 | 在语音片段上测试情绪和重音识别 | 询问句子里哪个词被重读
客户通话 | 通话工具开发者 | 检测对话中的停顿、笑声或咳嗽 | 标出一段中文录音里的笑声
产品团队 | 原型开发者 | 在转向 32B 模型之前先试用小型语音模型 | 对同一段音频比较回答

如果你需要商用，或需要日语、韩语、越南语、泰语、阿拉伯语的高质量转写，可以跳过它。

用在哪里：它在你自己的机器上以 vLLM 服务器的形式运行，语音智能体框架通过插件连接它。

• vLLM，作为本地服务器
• Pipecat 语音智能体，通过 pipecat-duplexjev 插件
• LiveKit 语音智能体，通过 livekit-plugins-duplexjev 插件
• 约有 10 GB 显存的 GPU 机器

Use case | Who | What they get back
轮次结束检测 | 语音智能体开发者 | 用户是否已说完的判断
情绪和重音检查 | 语音研究者 | 情绪、重读的词和停顿的标签
声音检测 | 音频工具开发者 | 关于片段中咳嗽、叹气和笑声的回答

如何设置：你需要带 pip 的 Python，以及约有 10 GB 显存的 GPU。1.4 版需要 0.4 或更高版本的 duplexjev-vllm 插件，或 0.7 或更高版本的 duplexjev。

1. 安装带音频支持的 vLLM 和 DuplexJev 插件。
2. 用模型名称启动服务器。
3. 想用旧版本时，加上 revision 参数和版本名，例如 v1.3。
4. 也可以先用 Hugging Face 工具把文件下载到本地。

pip install "vllm[audio]>=0.29" "duplexjev-vllm>=0.4"
vllm serve adventists-ai/DuplexJev-4B-Para --max-model-len 4096

如何使用：你把用户的音频作为用户回合发送，使用音频占位符，并附上普通的聊天历史，然后照常采样。决策提示词与 DuplexJev-4B-Turn 相同。对于重音和非语言类问题，请始终提供一个 none 选项。

<|audio|>

Tool | What it does
vllm serve | 把模型作为本地服务器启动
pipecat-duplexjev | 给 Pipecat 语音智能体加上实时轮次结束检测
livekit-plugins-duplexjev | 给 LiveKit 语音智能体加上实时轮次结束检测

示例：语音智能体刚说完一句话，来电者停顿了，应用就把来电者的音频和智能体上一条消息一起发送。模型回答来电者是否说完，智能体据此知道该马上回复还是继续听。

新手与专家：大多数语音工具把音频变成文字就结束了。这个模型会听声音本身，所以能分辨一句话说完了还是只是停顿。第一件小事可以是启动服务，再用一段短音频向它提问。

它的设计把 Qwen3-ASR-0.6B 编码器、连接器和 Qwen3-4B 组合在一起。1.4 版能听完整段音频，是一次性重新训练的，并通过合并的 LoRA 加入了轮流发言阶段。模型卡报告，在 Smart Turn v3.2 测试集上，轮次结束的准确率从 71.0 升到 92.9%。

来电者音频和上一条消息输入
编码器把音频变成 token
Qwen3-4B 读取音频和文字
模型用文字回复
你的应用根据判断行动

注意事项：模型卡在自己的测试上对比了 1.3 和 1.4 版，新版在它列出的每一组里得分都更高。

Title: Smart Turn v3.2 测试集上的轮次结束准确率
1.3 版: 71.0 percent
1.4 版: 92.9 percent

• Limits: 对日语、韩语、越南语、泰语和阿拉伯语的转写，32B 模型强得多。
• Self-description: 你问它自己的情况时，它可能说出自己并不具备的能力，比如视觉或声音。
• 说话人判断比较粗略。不要用它们来识别或验证人，也不要据此对个人做决定。
• License: CC BY-NC 4.0，所以使用范围仅限非商业工作。
• Cost to run: 未提及。它需要约 10 GB 显存。
• Data it reaches: 你发送到自己服务器的音频和文字。
• Not for: 商业用途、识别人员，或对个人做决定。

Hugging Face 上的数据（2026年11月13日）

• 任务：audio text to text
• 框架：vllm
• 参数量：4.2B
• Weights: about 8.4 GB in BF16; about 2.1 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：363
• 点赞：6
• 许可证：cc-by-nc-4.0
• 语言：zh, en, ja, ko, vi, th, ar, ru
• 基于：adventists-ai/DuplexJev-4B-Turn
• 标签：vllm, safetensors, ultravox, duplexjev, speech-to-decision, spoken-dialogue, full-duplex, turn-taking, end-of-turn, paralinguistics, nonverbal, speech-llm

链接

• 模型：https://huggingface.co/adventists-ai/DuplexJev-4B-Para
• 文件：https://huggingface.co/adventists-ai/DuplexJev-4B-Para/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download adventists-ai/DuplexJev-4B-Para

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。