/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B-hf
Библиотека
transformers
Опубликована
20 июл 2026

Bro-ASR-1.7B

Распознавание речиАудио → текст3 профессии

Модель распознаёт японскую речь в шумных разговорных записях и преобразует аудио в текст.

37скачиваний за 30 дней1лайквеса обновлены20 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

Bro-ASR-1.7B — японская модель распознавания речи, разработанная как дообученный вариант Qwen/Qwen3-ASR-1.7B-hf с объединёнными LoRA-весами. Она предназначена для офлайн-транскрибации японских разговорных записей с шумом и оценки адаптации распознавания к конкретным устройствам и акустическим условиям. Модель принимает аудио и выдаёт текст; архитектура — плотная Qwen3-ASR, размер базовой модели — 1,7 млрд параметров. Для сравнения с базовой моделью автор приводит результаты на 17 619 отложенных сегментах Delivery_JP: символьная ошибка CER составила 0,33763 против 0,34295 у базы при японском языковом указании и beam size 5.

Модель может быть полезна для транскрибации шумных японских разговоров, однако адаптация обучалась на 3 000 сегментах Delivery_JP и не гарантирует улучшения на других языках или в других акустических условиях. Это не система для критически важных транскрипций; перед использованием следует оценить качество на целевых записях. В репозитории находятся объединённые веса, отдельный LoRA-адаптер при инференсе не нужен. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация японских разговоров, записанных в шумной обстановке
  • офлайн-распознавание японской речи с мобильных устройств
  • оценка адаптации ASR к конкретным устройствам и акустическим условиям

Ограничения

Адаптация ориентирована на японские шумные записи и может ухудшать качество на других языках и акустических доменах. Модель не предназначена для критически важных транскрипций; результат зависит от настроек декодирования.

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

Bro-ASR-1.7B

Bro-ASR-1.7B is a merged, parameter-efficiently fine-tuned derivative of Qwen/Qwen3-ASR-1.7B-hf for Japanese noisy-recording/device-domain speech recognition. The repository contains full merged model weights; it does not require a separate LoRA adapter at inference time.

Intended use

  • Offline Japanese ASR for noisy conversational recordings.
  • Research and evaluation of device/noise-domain ASR adaptation.

It is not a safety-critical transcription system. Validate performance on your own audio domain before deployment.

Training

The model was produced by merging a LoRA adapter trained with the frozen lowrank_loraplus8_coverage recipe:

  • Base model: Qwen/Qwen3-ASR-1.7B-hf
  • Training pool: 3,000 Delivery_JP Japanese audio/text segments
  • LoRA: rank 8, alpha 16, dropout 0.1, applied to attention and MLP projections
  • LoRA+: base learning rate 8e-6, B-matrix ratio 8x
  • Sampling: shuffle without replacement; 500 micro-steps, gradient accumulation 2

The Delivery_JP audio and transcripts are not included in this repository.

Dataset and evaluation

Evaluation uses the 20,619-segment Delivery_JP Japanese manifest. The shared 3,000-segment training/development pool is excluded before scoring, leaving a strictly unseen evaluation set of 17,619 segments. Both models were run on the same ordered sample_id list with identical normalized ground truth; each side produced exactly 17,619 predictions with no duplicate IDs.

Decoding uses a Japanese language hint, beam size 5, and max_new_tokens=256. CER is character-level Levenshtein distance after the same whitespace normalization for both models. Macro-CER is the unweighted mean of per-segment CER.

ModelEvaluated segmentsMicro-CERMacro-CERCharacter errorsExact-match rate
Base Qwen3-ASR-1.7B17,6190.342950.41445102,56314.995%
Bro-ASR-1.7B17,6190.337630.39566100,97018.208%

Compared with the base model, Bro-ASR-1.7B reduces Micro-CER by 0.533 percentage points and character errors by 1,593. On paired per-segment comparison, Bro-ASR-1.7B is better / unchanged / worse on 5,681 / 7,775 / 4,163 segments, respectively.

Fixed-set audit score comparisons

The following four models were evaluated on the identical frozen 1,000 sample_id values with identical normalized ground truth and exact fractional audio time boundaries. This fixed-set audit is separate from the 17,619-segment strict-unseen evaluation above.

Fixed audit subsetModelSegmentsMicro-CERMacro-CERCharacter errorsExact-match rateDecoding
Delivery_JP frozen 1,000Bro-ASR-1.7B1,0000.471190.498527,58114.4%Japanese, beam 5
Delivery_JP frozen 1,000Qwen3-ASR-1.7B baseline1,0000.485740.547127,81510.3%Japanese, beam 5
Delivery_JP frozen 1,000Cohere Transcribe 03-20261,0000.568710.639129,1507.1%Official model.transcribe, ja, punctuation, greedy
Delivery_JP frozen 1,000Whisper large-v3-turbo (untrained)1,0001.539693.8679924,7720.7%Historical frozen TTA: speed factors 1.0/0.95/1.05, Japanese, beam 5

On this 1,000-segment audit, Bro-ASR-1.7B reduces Micro-CER by 1.454 percentage points and character errors by 234 relative to the paired Qwen baseline. The Cohere run used the official native transcription entry point with EOS handling; Qwen and Bro-ASR both used Japanese beam size 5.

The Whisper row is the untrained base model, not the historical Plan B fine-tuned checkpoint. It was reproduced with the frozen best_solution_snapshot.py TTA decoder and an asserted zero LoRA B-matrix. Its result is substantially weaker on this audit; the decode policy is reported separately because it uses three TTA speed factors while the Qwen runs use beam-5 decoding.

Quick start

Qwen3-ASR is not included in older stable Transformers releases. Install the current Transformers source first, as recommended by the upstream Qwen3-ASR model card:

pip install "git+https://github.com/huggingface/transformers"
pip install torch soundfile
import torch
from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "Junlaii/Bro-ASR-1.7B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
).eval()

inputs = processor.apply_transcription_request(
    audio="sample.wav", language="ja"
).to(model.device, model.dtype)
with torch.inference_mode():
    output = model.generate(**inputs, num_beams=5, max_new_tokens=256)
text = processor.decode(
    output[:, inputs["input_ids"].shape[1]:], return_format="transcription_only"
)[0]
print(text)

Limitations

  • The current adaptation is specifically motivated by Japanese noisy-recording conditions; it may regress on other languages or acoustic domains.
  • The full strict-unseen Delivery_JP evaluation has completed on 17,619 segments under the protocol described above.
  • Decoding settings affect results. The final comparison uses Japanese, beam size 5, and max_new_tokens=256.

License and attribution

Bro-ASR-1.7B follows the Apache-2.0 license indicated by its base checkpoint. Please cite and follow the upstream Qwen3-ASR model terms when using this model.

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
6e8f651

0 моделей