/ Модель

Характеристики

Контекст
131 072 токена
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Опубликована
13 июл 2026

qwen3-asr-rakuten-multilingual-18lang

Распознавание речиАудио → текст3 профессии

Дообученная Rakuten модель Qwen3-ASR распознаёт речь и транскрибирует аудио на 18 языках, в том числе для сценариев обслуживания клиентов.

14скачиваний за 30 дней0лайковвеса обновлены13 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Qwen3-ASR Rakuten Multilingual — дообученная Rakuten на Qwen/Qwen3-ASR-1.7B плотная модель распознавания речи для многоязычных сценариев обслуживания клиентов. Принимает аудио длительностью до 30 секунд на высказывание, поддерживает частоту дискретизации 16 кГц с автоматическим пересэмплированием и выдаёт текстовую расшифровку. Заявлена поддержка 18 языков: английского, китайского, французского, португальского, корейского, вьетнамского, хинди, тайского, индонезийского, тамильского, урду, непальского, узбекского, монгольского, сингальского, бирманского, японского и итальянского.

Модель обучена на 1 624 974 высказываниях; веса в формате SafeTensors, bf16, размер около 3,8 ГБ. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Сценарии применения

  • транскрибация коротких аудиозаписей на 18 языках
  • распознавание речи в обращениях клиентов
  • преобразование телефонных реплик в текст
  • пакетная расшифровка аудиофайлов
  • распознавание речи из аудио по прямой ссылке

Ограничения

Максимальная длительность одного высказывания — 30 секунд; максимальная длина расшифровки — 500 символов. Лицензия в предоставленных данных не указана.

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

Qwen3-ASR Rakuten Multilingual (18 Languages)

Fine-tuned Qwen3-ASR model for multilingual automatic speech recognition, optimized for Rakuten customer service use cases.

Supported Languages (18)

English, Chinese, French, Portuguese, Korean, Vietnamese, Hindi, Thai, Indonesian, Tamil, Urdu, Nepali, Uzbek, Mongolian, Sinhala, Burmese, Japanese, Italian

Quick Start

Installation

pip install -U qwen-asr

Inference

import torch
from qwen_asr import Qwen3ASRModel

model_path = "Grushashunyalabsai/qwen3-asr-rakuten-multilingual-18lang"
device = "cuda:0" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if device.startswith("cuda") else torch.float32

asr = Qwen3ASRModel.from_pretrained(
    model_path,
    dtype=dtype,
    device_map=device,
    max_inference_batch_size=16,
    max_new_tokens=440,
)

# Single file (auto-detect language)
results = asr.transcribe(audio="audio.wav")
print(results[0].language)  # e.g. "Japanese"
print(results[0].text)      # transcribed text

# Force a specific language
results = asr.transcribe(audio="audio.wav", language="Japanese")

# From numpy array (16kHz mono)
import numpy as np
audio_array = np.zeros(16000, dtype=np.float32)  # 1 sec
results = asr.transcribe(audio=(audio_array, 16000))

# Batch processing
results = asr.transcribe(
    audio=["file1.wav", "file2.wav", "file3.wav"],
    language=["Japanese", "English", "Hindi"],
)
for r in results:
    print(f"{r.language}: {r.text}")

CLI Inference

# Auto-detect language
python infer.py audio.wav

# Force language
python infer.py audio.wav --language Japanese

# Batch folder to JSONL
python infer.py ./audio_dir --out results.jsonl

Model Details

  • Base Model: Qwen/Qwen3-ASR-1.7B
  • Format: SafeTensors (bf16)
  • Size: ~3.8 GB
  • Max Audio Duration: 30 seconds per utterance
  • Sample Rate: 16kHz (automatically resampled)

Training

  • Hardware: 2x A100 GPUs (DDP)
  • Data: 1,624,974 utterances across 18 languages
  • Epochs: 2
  • Learning Rate: 2e-5 (linear schedule)
  • Batch Size: 16 (effective)
  • Gradient Checkpointing: Enabled
  • Final Train Loss: ~0.10
  • Max Transcript Length: 500 characters

Audio Input Formats

The model accepts:

  • File paths: .wav, .flac, .mp3, .m4a, .ogg, .opus, .webm
  • NumPy arrays: (np.ndarray, sample_rate) tuple
  • URLs: Direct audio URLs
  • Batch: List of any of the above

Output Format

@dataclass
class ASRTranscription:
    language: str    # e.g. "Japanese", "English", "Chinese,English"
    text: str        # Transcribed text
    time_stamps: Optional[Any]  # Word-level timestamps (if requested)

Files

  • model.safetensors — Model weights (bf16)
  • config.json — Model configuration
  • tokenizer_config.json — Tokenizer configuration
  • vocab.json — Vocabulary
  • merges.txt — BPE merges
  • infer.py — CLI inference script
  • preprocessor_config.json — Audio preprocessor config

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
4e37512

0 моделей