/ Модель

Характеристики

Размер весов
2 ГБ
Лицензия
Apache 2.0
Библиотека
funasr
Опубликована
15 дек 2025

Fun-ASR-MLT-Nano-2512

Распознавание речиАудио → текст8 профессий

Компактная мультиязычная модель FunASR для распознавания речи на 31 языке и преобразования аудио в текст.

6 714скачиваний за 30 дней69лайковвеса обновлены5 авг 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

Fun-ASR-MLT-Nano-2512 — мультиязычная модель распознавания речи из семейства Fun-ASR, разработанного командой FunASR. Чекпойнт содержит около 800 млн параметров и обучен на сотнях тысяч часов многоязычной речи. Он предназначен для преобразования аудио в текст на 31 языке, с особым вниманием к языкам Восточной и Юго-Восточной Азии.

Модель поддерживает управление языком распознавания; интерфейс FunASR также предоставляет настройку горячих слов и обратную текстовую нормализацию (ITN). В README приведены результаты для семейства Fun-ASR, но они не относятся непосредственно к этому чекпойнту. Возврат временных меток, диаризация говорящих и обучение модели отмечены как пока не поддерживаемые функции. Для запуска используется библиотека FunASR. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • расшифровка записей речи на поддерживаемых языках
  • распознавание аудио на языках Восточной и Юго-Восточной Азии
  • транскрибация многоязычных аудиозаписей
  • распознавание речи с подсказками для специальных имён и терминов

Ограничения

README не приводит результаты оценки, относящиеся именно к этому чекпойнту, поэтому опубликованные там семейные бенчмарки нельзя считать показателями его качества. Возврат временных меток и диаризация говорящих обозначены как пока не поддерживаемые функции.

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

⭐ Powered by FunASR — please give us a GitHub Star!

This model is part of the FunASR ecosystem — one industrial-grade open-source toolkit for ASR · VAD · punctuation · speaker diarization · emotion / event · LLM-ASR. A Star really helps the project (and keeps you updated):

🌟 FunASR · 🌟 SenseVoice · 🌟 Fun-ASR · 🌟 FunClip

Fun-ASR-MLT-Nano-2512

「简体中文」|「English」

Fun-ASR-MLT-Nano-2512 is the 800M-parameter multilingual checkpoint in the Fun-ASR family. It is trained on hundreds of thousands of hours of multilingual speech and supports 31 languages, with emphasis on East and Southeast Asian languages. For the Chinese, English, and Japanese checkpoint trained on tens of millions of hours, use Fun-ASR-Nano-2512.

Model Repository: modelscope, huggingface

Model NameTask DetailsTraining DataParameters
Fun-ASR-Nano (⭐ 🤗)Speech recognition supports Chinese, English, and Japanese. Chinese includes support for 7 dialects (Wu, Cantonese, Min, Hakka, Gan, Xiang, Jin) and 26 regional accents (Henan, Shanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi and more than 20 other regions). English and Japanese cover multiple regional accents. Additional features include lyric recognition and rap speech recognition.Tens of millions of hours800M
Fun-ASR-MLT-Nano (⭐ 🤗)Speech recognition supports Chinese, English, Cantonese, Japanese, Korean, Vietnamese, Indonesian, Thai, Malay, Filipino, Arabic, Hindi, Bulgarian, Croatian, Czech, Danish, Dutch, Estonian, Finnish, Greek, Hungarian, Irish, Latvian, Lithuanian, Maltese, Polish, Portuguese, Romanian, Slovak, Slovenian, Swedish, and 31 languages in total.Hundreds of thousands of hours800M

What's New 🔥

  • 2025/12: Fun-ASR-MLT-Nano-2512 is the multilingual 800M checkpoint, trained on hundreds of thousands of hours of speech and covering 31 languages.
  • 2024/7: FunASR is a fundamental speech recognition toolkit that offers a variety of features, including speech recognition (ASR), Voice Activity Detection (VAD), Punctuation Restoration, Language Models, Speaker Verification, Speaker Diarization and multi-talker ASR.

Core Features 🎯

This repository hosts the MLT checkpoint. Its supported-language scope differs from the standard Fun-ASR-Nano checkpoint.

  • 31 languages: Covers the languages listed in the model table above, with focused optimization on East and Southeast Asian languages.
  • Compact multilingual model: Uses approximately 800M parameters.
  • Language control: Accepts the language names shown in the inference example and supports multilingual recognition.
  • Context controls: The FunASR inference API exposes hotwords and inverse text normalization (ITN).

Environment Setup 🐍

python -m pip install -U "funasr>=1.4.1"

# Optional: clone the example repo if you want to run the local demo scripts.
git clone https://github.com/FunAudioLLM/Fun-ASR.git
cd Fun-ASR
python -m pip install -r requirements.txt

TODO

  • Support returning timestamps
  • Support speaker diarization
  • Support model training

Usage 🛠️

Inference

Using funasr for inference

from funasr import AutoModel


def main():
    model_dir = "FunAudioLLM/Fun-ASR-MLT-Nano-2512"
    model = AutoModel(
        model=model_dir,
        hub="hf",
        trust_remote_code=True,
        remote_code="./model.py",
        device="cuda:0",
    )

    wav_path = f"{model.model_path}/example/zh.mp3"
    res = model.generate(
        input=[wav_path],
        cache={},
        batch_size=1,
        hotwords=["开放时间"],
        # 中文、英文、粤语、日文、韩文、越南语、印尼语、泰语、马来语、菲律宾语、阿拉伯语、
        # 印地语、保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、爱沙尼亚语、芬兰语、希腊语、
        # 匈牙利语、爱尔兰语、拉脱维亚语、立陶宛语、马耳他语、波兰语、葡萄牙语、罗马尼亚语、
        # 斯洛伐克语、斯洛文尼亚语、瑞典语 for Fun-ASR-MLT-Nano-2512
        language="中文",
        itn=True, # or False
        llm_kwargs={"do_sample": False},
    )
    text = res[0]["text"]
    print(text)

    model = AutoModel(
        model=model_dir,
        hub="hf",
        trust_remote_code=True,
        vad_model="fsmn-vad",
        vad_kwargs={"max_single_segment_time": 30000},
        remote_code="./model.py",
        device="cuda:0",
    )
    res = model.generate(
        input=[wav_path],
        cache={},
        batch_size=1,
        language="中文",
        llm_kwargs={"do_sample": False},
    )
    text = res[0]["text"]
    print(text)


if __name__ == "__main__":
    main()

Direct Inference

from model import FunASRNano


def main():
    model_dir = "FunAudioLLM/Fun-ASR-MLT-Nano-2512"
    m, kwargs = FunASRNano.from_pretrained(
        model=model_dir,
        hub="hf",
        device="cuda:0",
    )
    m.eval()

    wav_path = f"{kwargs['model_path']}/example/zh.mp3"
    kwargs["llm_kwargs"] = {"do_sample": False}
    res = m.inference(data_in=[wav_path], **kwargs)
    text = res[0][0]["text"]
    print(text)


if __name__ == "__main__":
    main()
  • model_dir: Model name or local disk model path.
  • trust_remote_code: Whether to trust remote code for loading custom model implementations.
  • remote_code: Specify the location of specific model code (e.g., model.py in the current directory), supporting both absolute and relative paths.
  • device: Specify the device to use, such as "cuda:0" or "cpu".

Performance 📝

Benchmark scope: The tables below are Fun-ASR family results reproduced from the project report. They do not contain a column identified as Fun-ASR-MLT-Nano-2512, so they must not be interpreted as checkpoint-specific results for this MLT model. MLT per-language results will be added when a reproducible evaluation is published.

The family-level comparison covers open-source benchmarks, Chinese dialect datasets, and industry-specific test sets.

1. Open-Source Dataset Performance (WER %)

Test setGLM-ASR-nanoGLM-ASR-nano*Whisper-large-v3Seed-ASRSeed-ASR*Kimi-AudioStep-Audio2FireRed-ASRFun-ASR-nanoFun-ASR
Model Size1.5B1.5B1.6B----1.1B0.8B7.7B
OpenSource✅✅✅❌❌✅✅✅✅❌
AIShell11.812.174.720.681.630.710.630.541.801.22
AIShell2-3.474.682.272.762.862.102.582.752.39
Fleurs-zh-3.655.183.433.233.112.684.812.562.53
Fleurs-en5.786.956.239.399.396.993.0310.795.964.74
Librispeech-clean2.002.171.861.582.81.321.171.841.761.51
Librispeech-other4.194.433.432.845.692.632.424.524.333.03
WenetSpeech Meeting6.738.2118.395.697.076.244.754.956.606.17
WenetSpeech Net-6.3311.894.664.846.454.674.946.015.46

Note: Seed-ASR* results are evaluated using the official API on volcengine; GLM-ASR-nano* results are evaluated using the open-source checkpoint.

2. Industry Dataset Performance (WER %)

Test setGLM-ASR-NanoWhisper-large-v3Seed-ASRFireRed-ASRKimi-AudioParaformer v2Fun-ASR-nanoFun-ASR
Model Size1.5B1.6B-1.1B8B0.2B0.8B7.7B
OpenSource✅✅❌✅✅✅✅❌
Nearfield16.9516.587.2010.109.028.117.796.31
Farfield9.4422.214.597.4910.959.555.794.34
Complex Background23.7932.5712.9015.5615.5615.1914.5911.45
English General16.4718.5615.6521.6218.1219.4815.2813.73
Opensource4.677.053.835.313.796.234.223.38
Dialect54.2166.1429.4552.8271.9441.1628.1815.21
Accent19.7836.0310.2314.0527.2017.8012.9010.31
Lyrics46.5654.8230.2642.8765.1850.1430.8521.00
Hiphop43.3246.5629.4633.8857.2543.7930.8728.58
Average26.1333.3915.9522.6331.0023.4916.7212.70

Citations

@article{an2025fun,
  title={Fun-ASR Technical Report},
  author={An, Keyu and Chen, Yanni and Deng, Chong and Gao, Changfeng and Gao, Zhifu and Gong, Bo and Li, Xiangang and Li, Yabin and Lv, Xiang and Ji, Yunjie and others},
  journal={arXiv preprint arXiv:2509.12508},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · funasr

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
2c088f5

0 моделей