/ Модель

Характеристики

Контекст
131 072 токена
Архитектура
qwen3_asr · dense
Опубликована
21 авг 2026

qwen3-asr-en-atypical-promptless-specaug-projector

Распознавание речиАудио → текст3 профессии

Экспериментальная модель на базе Qwen3-ASR-1.7B транскрибирует нетипичную английскую речь, включая речь при нарушениях артикуляции, дизартрии и заикании.

13скачиваний за 30 дней0лайковвеса обновлены21 авг 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

Это экспериментальная англоязычная модель автоматического распознавания речи на базе Qwen3-ASR-1.7B, созданная для транскрибирования нетипичной речи. В проекте адаптирована только projector-часть модели: обучаемыми были около 3,15 млн параметров из 2,04 млрд. Обучение проведено без текстового промпта, с применением SpecAugment только во время обучения, на наборе Ugandan English Nonstandard Speech.

Модель предназначена для транскрибирования английской речи с нарушениями артикуляции, дизартрией и заиканием. На тестовой выборке средний нормализованный WER по отдельным высказываниям составил 24,17%, а CER — 15,62%; ошибки различались в зависимости от тяжести и типа нарушения. Результаты относятся к описанному набору данных и не гарантируют такого же качества для других говорящих или условий записи. README не сообщает лицензию модели.

Сценарии применения

  • транскрибирование английской речи при дизартрии
  • распознавание речи с нарушениями артикуляции
  • транскрибирование английской речи с заиканием
  • оценка качества распознавания нетипичной речи на исследовательских выборках

Ограничения

Качество оценено на конкретном наборе английской нетипичной речи и различается по тяжести и типу нарушения; перенос результатов на других говорящих и условия записи не подтверждён. Лицензия в README 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 Atypical English — Projector Adaptation + SpecAugment

This repository contains the validation-selected projector checkpoint from the promptless Qwen3-ASR atypical-English architectural ablation.

Experiment

  • Base model: Qwen/Qwen3-ASR-1.7B
  • Dataset: cdli/ugandan_english_nonstandard_speech_v1.0
  • Condition: projector
  • Prompt: none
  • SpecAugment: enabled, train-only
  • LR: 5e-05
  • Scheduler: cosine
  • Seed: 42
  • Batch / grad accumulation: 4 / 4
  • Effective batch: 16

SpecAugment

SettingValue
Probability0.5
Time masks2
Time width40
Frequency masks2
Frequency width12

Trainable parameters

MetricValue
Total2,038,052,480
Trainable3,148,800
Trainable %0.1545%

Validation checkpoint selection

Selection was performed on the validation split only using mean normalized per-utterance WER/CER capped at 1.0.

MetricValue
Selected checkpointcheckpoint-750
Mean capped WER33.61%
Mean capped CER24.14%
Corpus WER32.68%
Corpus CER22.40%

Final test results

Primary reporting uses normalized per-utterance WER/CER, capped at 1.0 per utterance and then averaged. Normalized corpus metrics are retained as secondary diagnostics.

MetricResult
Mean capped utterance WER24.17%
Mean capped utterance CER15.62%
Normalized corpus WER25.46%
Normalized corpus CER16.21%
Relative primary WER reduction vs base27.74%

Results by severity

GroupnSpeakersMean capped WERMean capped CERCorpus WERCorpus CER
Mild (easily understood with minimal effort)334320.91%12.27%24.30%13.77%
Moderate (requires effort to understand)340324.31%15.00%23.34%14.45%
Severe (frequent breakdowns)339327.23%19.55%28.61%20.63%

Results by disorder

GroupnSpeakersMean capped WERMean capped CERCorpus WERCorpus CER
Articulation Disorders176222.83%12.56%24.38%13.11%
Dysarthria253225.05%15.60%24.78%15.48%
Stuttering (Disfluency Disorders)488422.78%15.53%24.45%16.86%
Voice disorder96131.35%21.79%32.28%22.35%

Reproducibility

The exact corrected trainer is archived in this repository under:

code/qwen3_asr_sft_fixed_ablation.py

The companion private results repository is:

KasuleTrevor/qwen3-asr-en-atypical-promptless-specaug-results

No raw participant audio is redistributed.

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
a99d476

0 моделей