/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
MIT
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Библиотека
transformers
Опубликована
10 июл 2026

TEA-ASR-1.1-fmt

Распознавание речиАудио → текст3 профессии

Дообученная Qwen3-ASR модель для транскрибации тайваньского мандаринского аудио с управляемым форматом записи чисел.

55скачиваний за 30 дней1лайквеса обновлены10 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

TEA-ASR-1.1-fmt — модель распознавания речи, разработанная автором репозитория как дообученная версия Qwen3-ASR-1.7B. Она предназначена для транскрибации тайваньского мандаринского китайского с традиционной письменностью и местной лексикой, в том числе речи с переключением между китайским и английским. Вариант fmt позволяет задавать формат записи числительных через префикс декодера: арабскими цифрами или китайскими иероглифами.

Модель использует архитектуру Qwen3-ASR и доступна в формате safetensors для Transformers. По описанию, дообучение выполнено с помощью LoRA для декодера и энкодера с последующим слиянием адаптеров в единый чекпойнт. Управление форматом чисел является сильным смещением, а не гарантированным переключателем; на отдельных тестах вариант уступает TEA-ASR-1.1 по точности, особенно при плотном китайско-английском переключении. Лицензия — MIT.

Сценарии применения

  • транскрибация речи на тайваньском мандаринском китайском
  • создание субтитров с традиционными китайскими иероглифами
  • распознавание речи с переключением между китайским и английским
  • подготовка протоколов встреч с единым форматом чисел
  • транскрибация записей колл-центра с тайваньской лексикой

Ограничения

Формат числительных задаётся как сильное смещение, но модель не всегда соблюдает его, особенно для одиночных цифр, десятичных дробей и процентов. По приведённым тестам, вариант уступает TEA-ASR-1.1 на части наборов, в том числе при плотном китайско-английском переключении.

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

TEA-ASR-1.1-fmt · Taiwan Everyday Audio 🍵 (format-controllable)

TEA-ASR-1.1-fmt is the output-convention-controllable variant of TEA-ASR-1.1. Same drop-in Taiwan-Mandarin ASR — native Traditional Chinese, Taiwan vocabulary, Mandarin–English code-switch — plus a working numeral-style dial: a decoder-prefix format tag that switches the SAME audio between Arabic (digits → 108年) and Chinese (zh-num → 一百零八年) numeral renderings.

Which one should I use?

  • Formatting-sensitive, Mandarin-dominant work (subtitles, meeting/agency records, call-center logs that must follow one numeral convention) → this model.
  • Heavy Mandarin–English code-switching → use TEA-ASR-1.1, which posts the best code-switch error rates of the family (this variant trades a measured amount of dense-code-switch robustness for the format control — see the table).

Format control

The tag rides the same decoder-prefix channel as the language hint:

from qwen_asr import Qwen3ASRModel
m = Qwen3ASRModel.from_pretrained("JacobLinCool/TEA-ASR-1.1-fmt")

# plain (recommended default): natural convention per domain
m.transcribe(audio="utt.wav", language="Chinese")

# force a numeral convention via the forced decoder prefix:
#   language Chinese format digits<asr_text>   -> Arabic numerals (108年)
#   language Chinese format zh-num<asr_text>   -> Chinese numerals (一百零八年)
#   append keep-en to bias embedded English toward verbatim transcription

(The public transcribe(language=...) API validates the language string, so pass the full prefix through the forced-prefix path — see the demo Space source for a 20-line reference implementation.)

Measured control strength (multi-digit test panels, deterministic first-30 selection; scripts/probe_numeral_flip.py):

Panel (audio)pair flip (both directions honored)digits compliancezh-num compliance
CommonVoice zh-TW (Chinese-numeral speech)0.630.670.93
NTUML2021 (digit-convention lectures)0.530.600.80

(Measured on this released checkpoint.)

The dial is a strong bias, not a hard switch: expect it to flip most multi-digit renderings and to leave single digits (是1 / 是一) and decimals/percentages to the domain's natural convention. keep-en biases embedded English toward verbatim output; plain decoding already preserves English well, so its per-utterance effect is modest.

Benchmark results

Mixed Error Rate (MER%, lower is better), same protocol as the TEA-ASR-1.1 card (content fold: OpenCC t2s + lowercase + punctuation strip; full test splits; single self-measured run).

BenchmarkTEA-ASR-1.1-fmtTEA-ASR-1.1Qwen3-ASR-1.7BBreeze-ASR-25Whisper-large-v3
CommonVoice 19 (zh-TW)3.963.583.908.0310.17
ASCEND (zh-en)9.639.6010.5717.5319.61
CSZS (zh-en)11.2910.9411.0312.1823.24
NTUML20216.576.6710.127.509.68

How to read this. The fmt variant matches the flagship on lectures (best-in-family 6.57) and ASCEND, and pays a measured premium on CommonVoice (+0.38) and dense code-switch (CSZS +0.35) for the numeral dial — the training mass that makes the tag causal necessarily shifts the conditioned output space. If you don't need convention control, use TEA-ASR-1.1.

Evaluation, data, and packaging

Identical to TEA-ASR-1.1: same leak-free train/test protocol, < 10 hours of public training audio (CommonVoice zh-TW, ASCEND, NTUML2021, TaiMECS), rank-16 decoder LoRA + low-LR encoder LoRA merged into a single drop-in checkpoint, Traditional output rendered by the model's own tokenizer (no runtime post-processing; decode verified bit-exact on 152k+ sequences). The fmt recipe additionally trains numeral-convention counterfactual pairs — the same real audio supervised under both conventions with opposite tags — mined from the same public corpora (no extra audio budget).

Acknowledgements & license

Same as TEA-ASR-1.1: adapted from Qwen3-ASR (Apache-2.0); TaiMECS (CC-BY-4.0); benchmarks: Common Voice, ASCEND, CSZS, NTU ML2021. Released under the MIT License.

@misc{teaasr2026,
  title  = {Tokenizer-First Adaptation of Mandarin ASR to Taiwan Mandarin},
  author = {TEA-ASR contributors},
  year   = {2026},
  note   = {TEA-ASR (Taiwan Everyday Audio); adapted from Qwen3-ASR}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
99fcb48

0 моделей