/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
103 млн
Лицензия
CC BY-NC 4.0
Архитектура
arkasr · dense
Библиотека
transformers
Опубликована
10 июл 2026

Audio8-ASR-0.1B

Генерация текстаТекст → текст8 профессий

Компактная многоязычная модель Audio8 для преобразования речи в текст с возможностью усиления распознавания заданных ключевых слов.

6 367скачиваний за 30 дней81лайквеса обновлены15 июл 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

Audio8-ASR-0.1B — компактная авторегрессионная модель распознавания речи, опубликованная Audio8. Она принимает аудио и преобразует речь в текст на китайском, английском, французском, немецком, японском, корейском и кантонском языках.

В модели используется аудиокодировщик Qwen3-ASR с MLP-проектором и восьмислойный причинный языковой декодер в стиле Qwen. Языковой компонент содержит около 103,5 млн параметров, а общее число уникальных параметров составляет около 324 млн. Модель рассчитана на работу через Hugging Face Transformers; частота дискретизации — 16 кГц. Для декодирования можно задавать подсказки с ключевыми словами без дообучения. Длина контекста в метаданных — 32 768 токенов.

Модель подходит для транскрибации коротких аудиозаписей и распознавания речи с подсказками по терминам. В примерах аудио обрезается до 30 секунд; слишком сильное усиление ключевых слов может сместить результат распознавания. Выпущены отдельные варианты для ONNX Runtime и iOS, но этот репозиторий содержит чекпойнт Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • транскрибация коротких аудиозаписей
  • распознавание английской речи
  • распознавание китайской и кантонской речи
  • распознавание французской, немецкой, японской и корейской речи
  • транскрибация записей с редкими именами и терминами с помощью hotword-подсказок

Ограничения

Примеры предназначены для коротких аудиозаписей и обрезают вход до 30 секунд. Слишком высокие значения усиления ключевых слов могут чрезмерно смещать распознавание.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Audio8-ASR-0.1B

GitHub arXiv License

Audio8-ASR-0.1B is a compact autoregressive ASR model whose language-model component has only 0.1B parameters. It supports multilingual speech recognition for languages including Chinese, English, French, German, Japanese, Korean, and Cantonese. We position it as one of the smallest usable performance ASR models in the LLM era.

This base repository provides the Hugging Face Transformers checkpoint. We also provide deployment-focused releases:

The ONNX Runtime release is designed for edge-device deployment and can run with roughly 1.1 GB peak memory footprint, depending on device, runtime configuration, and workload.

The iOS release is designed for local iPhone transcription with roughly 200 MB peak runtime memory footprint, depending on device, iOS version, and workload.

Demo Video

Evaluation Results

Evaluation suiteDataset / splitLanguageMetricScore (%)H200 RTFx
Open ASR LeaderboardAMI CleanedENWER10.99396.91
Open ASR LeaderboardEarnings22ENWER12.31654.17
Open ASR LeaderboardGigaSpeech CleanedENWER8.48641.19
Open ASR LeaderboardLibriSpeech test.cleanENWER2.70687.84
Open ASR LeaderboardLibriSpeech test.otherENWER6.59610.52
Open ASR LeaderboardSPGISpeechENWER3.73870.32
Open ASR LeaderboardVoxPopuli Cleaned AAENWER4.39686.14
Open ASR LeaderboardSeven-split mean / compositeENWER / RTFx7.03741.15
Internal canonical ASR evalWenetSpeech meetingZHCER8.842-
Internal canonical ASR evalWenetSpeech netZHCER7.976-

The Open ASR results use the seven current public splits from hf-audio/open-asr-leaderboard at dataset revision b6bdcd0beb34f8975dc659796176d88f43aff502. They were measured with the standalone Transformers package on standardized H200 Hugging Face Jobs using BF16, eager attention, greedy decoding, max_new_tokens=256, and the documented 30-second audio cap. Per-split batch sizes were 1152, 1024, 1408, 1024, 1024, 2048, and 628. Raw manifests are stored in hf://buckets/AutoArk-AI/audio8-asr-open-asr-results, and the corresponding machine-readable results are provided in .eval_results/open_asr_leaderboard.yaml.

The internal canonical WenetSpeech results come from the reproducibility-checked teacher0p6B-step3000 export with batch size 128. Its effective model tensors are byte-identical to this standalone release; the release only removes a redundant tied LM-head tensor and packages the same weights for standalone use. Chinese results are reported as character error rate. AISHELL is intentionally excluded from this table.

Model Overview

  • Task: automatic speech recognition
  • Checkpoint format: safetensors
  • Sampling rate: 16 kHz
  • Decoder: 8-layer Qwen-style causal LM
  • Audio front end: Qwen3-ASR audio encoder plus MLP adapter/projector
  • Language-model parameters: 103,502,336 (about 0.104B)
  • End-to-end unique parameters: 323,990,528 (about 0.324B)
  • Runtime: Hugging Face Transformers
  • Hotwords: optional decode-time logit boosting, no fine-tuning required

The model should be loaded with trust_remote_code=True.

Files

  • config.json, tokenizer files, processor files, and model.safetensors
  • configuration_arkasr.py, modeling_arkasr.py, processing_arkasr.py
  • qwen3_asr_audio_config.py, qwen3_asr_audio_model.py
  • hotword/: backend-agnostic hotword trie
  • examples/: Transformers inference examples

The root config.json is intentionally kept in this repository so Hugging Face can recognize the model package and count downloads through normal model-file queries.

Transformers Inference

import torch
from transformers import AutoModelForCausalLM, AutoProcessor


model_path = "AutoArk-AI/Audio8-ASR-0.1B"
audio_path = "path/to/audio.wav"

device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.bfloat16 if device == "cuda" else torch.float32

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    trust_remote_code=True,
    torch_dtype=torch_dtype,
    attn_implementation="eager",
).to(device)
model.eval()

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "audio", "path": audio_path},
            {"type": "text", "text": "Please transcribe this audio."},
        ],
    }
]

batch = processor.apply_chat_template(
    conversation,
    return_tensors="pt",
    sampling_rate=16000,
    audio_padding="longest",
    add_generation_prompt=True,
    audio_max_length=30 * 16000,
    text_kwargs={"padding": "longest", "truncation": True, "max_length": 1000},
)
batch = {key: value.to(device) if hasattr(value, "to") else value for key, value in dict(batch).items()}

with torch.inference_mode():
    output_ids = model.generate(**batch, max_new_tokens=128, do_sample=False)

prompt_len = int(batch["input_ids"].shape[1])
text = processor.decode(output_ids[0, prompt_len:], skip_special_tokens=True).strip()
print(text)

Equivalent script:

python examples/transcribe.py path/to/audio.wav --model AutoArk-AI/Audio8-ASR-0.1B

For local staging before upload:

python examples/transcribe.py path/to/audio.wav --model .

Hotword Boosting

Hotwords are applied at decode time by nudging logits for tokenizer paths that match the requested words. This does not modify model weights and does not inject the hotwords into the prompt.

python examples/transcribe_hotword.py path/to/audio.wav \
  --model AutoArk-AI/Audio8-ASR-0.1B \
  --hotwords "Audio8,AutoArk"

Main knobs:

  • --hotword_topk: only boost tokens already inside the current top-k logits.
  • --hotword_start_boost: boost for the first token of each hotword.
  • --hotword_continuation_boost: boost for continuation tokens after a matched prefix.

Related Releases

Limitations

  • The default examples target short-form ASR and truncate audio at 30 seconds.
  • Hotword boosting can help with near-miss terms but can also over-bias decoding when boost values are too high.
  • Some Transformers/tokenizers versions emit a Qwen tokenizer regex warning. The staged tokenizer config is kept in the loadable form used by this package; pass explicit tokenizer regex flags only after testing your local Transformers version.

Acknowledgements

The audio encoder backbone is based on Qwen3-ASR-0.6B, with the audio adapter and projector trained as part of Audio8-ASR. The language-model backbone is based on Ref-Pretrain-Qwen-104M.

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
ArkasrForConditionalGeneration
Ревизия весов
8487da6

0 моделей