/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ForcedAligner-0.6B
Библиотека
mlx
Опубликована
24 фев 2026

Qwen3-ForcedAligner-0.6B-4bit

Классификация аудиоАудио → label6 профессий

4-битная MLX-модель для выравнивания текста с аудио и получения временных меток слов на Apple Silicon.

6 773скачиваний за 30 дней1лайквеса обновлены12 апр 2026

Бенчмарки

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

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

aufklarer/Qwen3-ForcedAligner-0.6B-4bit — 4-битная версия Qwen/Qwen3-ForcedAligner-0.6B, подготовленная для запуска на Apple Silicon через MLX. Модель принимает аудио и соответствующий ему текст и за один проход без авторегрессивной генерации предсказывает временные метки слов. В описанной конфигурации аудиокодировщик и классификационная голова работают в float16, а текстовый декодер квантизирован до 4 бит с размером группы 64.

Модель предназначена для выравнивания текста с речью: например, чтобы получить таймкоды слов для субтитров или транскрипта. Класс временной метки соответствует интервалу 80 мс. Поддерживаемые языки включают английский, китайский, японский, корейский, немецкий, французский, испанский, итальянский и русский. Репозиторий распространяется по лицензии Apache-2.0.

Это производная модель, указанная как дообученная на базе Qwen/Qwen3-ForcedAligner-0.6B; README описывает её как 4-битную MLX-версию для Apple Silicon. Такое сжатие уменьшает точность весов декодера; модель требует пар аудио и текста и сама по себе не предназначена для распознавания речи из необработанного аудио.

Сценарии применения

  • расстановка таймкодов слов в готовой транскрипции
  • синхронизация субтитров с речевой дорожкой
  • выравнивание текста аудиокниги с записью
  • получение временных меток для сегментов речи
  • подготовка данных для монтажа аудио по транскрипту

Ограничения

Для работы нужны аудио и соответствующий текст; модель не заменяет систему распознавания речи. 4-битная квантизация декодера может снижать точность по сравнению с полноточной версией.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-ForcedAligner-0.6B-4bit (MLX)

4-bit quantized version of Qwen/Qwen3-ForcedAligner-0.6B for Apple Silicon inference via MLX.

Predicts word-level timestamps for audio+text pairs in a single non-autoregressive forward pass.

Model Details

ComponentConfig
Audio encoder24 layers, d_model=1024, 16 heads, FFN=4096, float16
Text decoder28 layers, hidden=1024, 16Q/8KV heads, 4-bit quantized (group_size=64)
Classify headLinear(1024, 5000), float16
Timestamp resolution80ms per class (5000 classes = 400s max)
Total size979 MB (vs 1.84 GB bf16)

How It Works

Audio + Text → Audio Encoder → Text Decoder (single pass) → Classify Head → argmax at <timestamp> positions → word timestamps

Unlike ASR (autoregressive, token-by-token), the forced aligner runs the entire sequence in one forward pass through the decoder. The classify head predicts a timestamp class (0–4999) at each <timestamp> token position, which maps to time via class_index × 80ms.

Usage with Swift (MLX)

This model is designed for use with speech-swift:

import Qwen3ASR

let aligner = try await Qwen3ForcedAligner.fromPretrained()

let aligned = aligner.align(
    audio: audioSamples,
    text: "Can you guarantee that the replacement part will be shipped tomorrow?",
    sampleRate: 24000
)

for word in aligned {
    print("[\(String(format: "%.2f", word.startTime))s - \(String(format: "%.2f", word.endTime))s] \(word.text)")
}

CLI

# Align with provided text
qwen3-asr-cli --align --text "Hello world" audio.wav

# Transcribe first, then align
qwen3-asr-cli --align audio.wav

Output:

[0.12s - 0.45s] Can
[0.45s - 0.72s] you
[0.72s - 1.20s] guarantee
[1.20s - 1.48s] that
...

Quantization

Text decoder (attention projections, MLP, embeddings) quantized to 4-bit using group quantization (group_size=64). Audio encoder and classify head kept as float16 for accuracy.

Converted with:

python scripts/convert_forced_aligner.py \
    --source Qwen/Qwen3-ForcedAligner-0.6B \
    --upload --repo-id aufklarer/Qwen3-ForcedAligner-0.6B-4bit

Links



Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
f0e9f12

0 моделей