/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Fun-ASR-Nano-2512
Библиотека
vllm
Опубликована
29 авг 2026

Fun-ASR-Nano-2512-vllm

Распознавание речиАудио → текст7 профессий

Упаковка Fun-ASR-Nano-2512 для vLLM предназначена для преобразования аудиозаписей на китайском, английском и японском языках в текст.

16 597скачиваний за 30 дней4лайкавеса обновлены29 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

FunAudioLLM/Fun-ASR-Nano-2512-vllm — официальная упаковка модели распознавания речи FunAudioLLM для запуска через vLLM. Это плотная архитектура семейства Qwen3 с 507,9 млн параметров и контекстом 40 960 токенов; модель принимает аудио и выдаёт распознанный текст. Указанные для карточки языки — китайский, английский и японский.

Репозиторий сохраняет исходные веса FunAudioLLM/Fun-ASR-Nano-2512 и добавляет структуру, необходимую для реализации FunASRForConditionalGeneration в vLLM. README сообщает, что тензоры в safetensors побитово совпадают с тензорами исходного чекпойнта. Упаковка предназначена для распознавания речи в приложениях и сервисах, использующих vLLM; проверенный сценарий — vLLM 0.27.1 на NVIDIA H100 80 GB с float32.

Преимущество этой версии — совместимость с vLLM без изменения весов исходной модели. Проверка описана для одной конфигурации и одного китайского примера, поэтому качество на других наборах данных, ускорителях и версиях vLLM отдельно не подтверждено. Для временных меток, диаризации и потоковой обработки README рекомендует оригинальный чекпойнт через инструментарий FunASR. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация китайской речи
  • распознавание английской речи
  • транскрибация японской речи
  • распознавание речи в приложении на vLLM

Ограничения

Подтверждённая проверка ограничена vLLM 0.27.1, одной конфигурацией на H100 и одним китайским примером; качество на широком наборе данных и совместимость с другими ускорителями и версиями не подтверждены. Эта упаковка не заявляет поддержку временных меток, диаризации или потоковой обработки.

Для каких профессий подходит7

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

Fun-ASR-Nano-2512 for vLLM

This is the official vLLM-native packaging of FunAudioLLM/Fun-ASR-Nano-2512. It preserves the official checkpoint tensors and adds the layout required by vLLM's FunASRForConditionalGeneration implementation.

This repository does not define a new model and does not add LoRA weights. The 1,261 tensors in model.safetensors are bitwise equal to the tensors in the official source model.pt at revision 272c57b82523ada6fd87095e955f8e29100979ab.

Run with vLLM

The validated path uses float32 for the highest transcription fidelity:

python -m pip install "vllm==0.27.1"

vllm serve FunAudioLLM/Fun-ASR-Nano-2512-vllm \
  --revision vllm-0.27.1-20260830 \
  --served-model-name fun-asr-nano \
  --dtype float32 \
  --gpu-memory-utilization 0.40 \
  --enforce-eager

Send an OpenAI-compatible transcription request:

curl -fL \
  https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512-vllm/resolve/vllm-0.27.1-20260830/example/zh.mp3 \
  -o zh.mp3

curl -sS http://127.0.0.1:8000/v1/audio/transcriptions \
  -F file=@zh.mp3 \
  -F model=fun-asr-nano \
  -F language=zh \
  -F temperature=0 \
  -F response_format=json

Expected text for the pinned sample:

开饭时间早上九点至下午五点。

Provenance

ItemValue
Official sourceFunAudioLLM/Fun-ASR-Nano-2512
Source revision272c57b82523ada6fd87095e955f8e29100979ab
Source model.pt SHA-25655ae0d2fee369f0f11cce0795f6927934ad17cf11b278a7e56a51272074160bb
Tensor count1,261
LoRA tensors0
Converted model.safetensors SHA-25696dfbec48282dd24d3334369a01e9e909f321ee39a1b0003c528c5379f68c1a6
Sample example/zh.mp3 SHA-2560e64de19e4ff9a02e682955c9112f32d2317cfdbb5bc2f3504664044c993f195

The complete machine-readable record is in MODEL_PROVENANCE.json. The conversion can be reproduced with convert_from_official.py.

The vLLM-native layout originated in the community work by allendou/Fun-ASR-Nano-2512-vllm and vLLM PR #33247, with subsequent format and initialization fixes in vLLM PRs #36108 and #44215. This official packaging keeps that attribution while anchoring the weights to the official FunAudioLLM checkpoint.

Validation boundary

The published evidence covers vLLM 0.27.1, PyTorch 2.13.0+cu129, Transformers 5.15.0, and one NVIDIA H100 80 GB GPU. The pinned Chinese sample returned the expected text in three consecutive deterministic requests. Other vLLM releases, accelerators, quantizations, and model quality across broader datasets require separate validation.

For the regular FunASR Python runtime, timestamps, speaker diarization, and streaming services, use the canonical modelscope/FunASR toolkit and the original checkpoint.

License

The official source model declares Apache License 2.0. See LICENSE. Third-party software such as vLLM remains subject to its own license.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Для архитектуры qwen3 нет загрузчика под задачу speech-to-text.

Класс архитектуры
FunASRForConditionalGeneration
Ревизия весов
a4362c9

0 моделей