/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Библиотека
qwen-asr
Опубликована
15 мая 2026

Qwen3-ASR-1.7B-th-fleurs

Распознавание речиАудио → текст

Дообученная на тайской части FLEURS модель Qwen3-ASR-1.7B для транскрибации тайской речи.

130скачиваний за 30 дней0лайковвеса обновлены16 мая 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

PogusTheWhisper/Qwen3-ASR-1.7B-th-fleurs — модель распознавания тайской речи, созданная автором PogusTheWhisper полным дообучением Qwen/Qwen3-ASR-1.7B на тайской части набора Google FLEURS. Модель принимает аудио и выдаёт текстовую транскрипцию на тайском языке; для работы требуется монофоническое аудио с частотой 16 кГц. Архитектура — плотная Qwen3-ASR с 1,7 млрд параметров.

На тестовой выборке FLEURS Thai из 1 021 высказывания автор сообщает CER 7,02% и WER 61,00% без нормализации текста; для базовой модели указаны 8,32% и 79,56% соответственно. Модель предназначена прежде всего для расшифровки чистой, заранее записанной тайской речи. Качество на разговорной, шумной и телефонной речи не измерялось; смешение тайского и английского специально не настраивалось. Обучающая выборка невелика — около семи часов. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация записанной речи на тайском языке
  • расшифровка тайских аудиозаписей в стиле дикторского чтения
  • получение текстовых субтитров из тайской речи
  • оценка распознавания тайской речи на тестовой выборке FLEURS

Ограничения

Модель обучалась на небольшом наборе записанной речи в стиле дикторского чтения; качество на разговорной, шумной и телефонной речи не измерялось. Требуется монофоническое аудио 16 кГц; тайско-английское переключение кодов специально не настраивалось.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-ASR-1.7B-th-fleurs

Thai automatic speech recognition model, full fine-tune of Qwen/Qwen3-ASR-1.7B on the Thai split of google/fleurs.

Evaluation

FLEURS Thai test split (1,021 utterances). Reported via the evaluate library — raw model output vs reference, no text normalisation.

ModelCER (%)WER (%)
Qwen/Qwen3-ASR-1.7B (base)8.3279.56
This model7.0261.00
Δ relative improvement+15.7%+23.3%

Lower is better.

Usage

import torch
from qwen_asr import Qwen3ASRModel

model = Qwen3ASRModel.from_pretrained(
    "PogusTheWhisper/Qwen3-ASR-1.7B-th-fleurs",
    dtype=torch.bfloat16,
    device_map="cuda:0",
    max_inference_batch_size=16,
    max_new_tokens=256,
)
results = model.transcribe(audio="path/to/audio.wav", language="Thai")
print(results[0].text)

For maximum throughput, use the vLLM backend:

model = Qwen3ASRModel.LLM(
    model="PogusTheWhisper/Qwen3-ASR-1.7B-th-fleurs",
    gpu_memory_utilization=0.7,
    max_inference_batch_size=128,
    max_new_tokens=4096,
)
results = model.transcribe(audio="path/to/audio.wav", language="Thai")
print(results[0].text)

Training

Full fine-tune (FFT) of the entire 1.7B-parameter base model using the official QwenLM/Qwen3-ASR qwen3_asr_sft.py script.

HyperparameterValue
Base modelQwen/Qwen3-ASR-1.7B
MethodFull fine-tune (FFT, not LoRA)
Datasetgoogle/fleurs (th_th, 2,602 train / 1,021 test utterances)
Label formatlanguage Thai<asr_text>{{transcript}}
OptimizerAdamW (HF Trainer defaults)
Learning rate2e-5 (Official tested at this lr w/ eff bs 32)
LR schedulercosine (Smoother decay, better final epochs)
Warmup ratio0.05 (0.1 too aggressive for cosine)
weight_decay0.01 (Anti-memorization)
Effective batch size32 (per-device 1 × grad_acc 32)
Epochs5
Precisionbfloat16
Hardware1× NVIDIA RTX 3090 (24 GB)
Training time~25 minutes

Limitations

  • Trained on read-speech only — FLEURS is broadcast / audiobook style. Conversational, noisy, and telephony-audio performance is not measured.
  • 16 kHz mono audio required (matches the base model).
  • Code-switched audio (Thai + English) inherits base-model behaviour; not specifically tuned.
  • Small training set (~7 hours). For production use, consider mixing with Common Voice Thai or your own labelled data.

Citation

@misc{qwen3asr,
  title  = {Qwen3-ASR},
  author = {Qwen Team},
  year   = {2025},
  url    = {https://huggingface.co/Qwen/Qwen3-ASR-1.7B}
}

@inproceedings{conneau2023fleurs,
  title     = {FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech},
  author    = {Conneau, Alexis and Ma, Min and Khanuja, Simran and Zhang, Yu and Axelrod, Vera and Dalmia, Siddharth and Riesa, Jason and Rivera, Clara and Bapna, Ankur},
  booktitle = {SLT},
  year      = {2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · qwen-asr

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
e1090db

0 моделей