/ Модель

Характеристики

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

Qwen3-ForcedAligner-0.6B-8bit

Классификация аудиоАудио → label5 профессий

8-битная версия Qwen3-ForcedAligner для получения временных меток слов при синхронизации текста с аудио на Apple Silicon.

62скачиваний за 30 дней0лайковвеса 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-8bit — 8-битная версия Qwen3-ForcedAligner-0.6B, подготовленная для инференса через MLX на компьютерах Apple Silicon. Модель принимает аудио и соответствующий текст и за один проход без авторегрессивной генерации определяет временные метки слов. В README также описаны аудиоэнкодер на 24 слоях и текстовый декодер на 28 слоях; декодер квантизирован до 8 бит с размером группы 64.

Модель предназначена для синхронизации расшифровки с речью, например для разметки субтитров и подготовки временных меток слов. В метаданных перечислены английский, китайский, японский, корейский, немецкий, французский, испанский, итальянский и русский языки. Модель распространяется по лицензии Apache-2.0. Для работы требуется аудиозапись и текст; точность и ограничения в доступной карточке не описаны.

Сценарии применения

  • получение временных меток слов для готовой расшифровки
  • синхронизация субтитров с аудиозаписью
  • выравнивание текста и речи в аудиоматериалах
  • подготовка временной разметки речи для последующего монтажа

Ограничения

Для выравнивания требуется предоставить и аудио, и соответствующий текст. Карточка не сообщает точность модели и не описывает её ограничения по длительности или качеству аудио.

Для каких профессий подходит5

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 — MLX 8-bit

8-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

DetailValue
Audio encoder24 layers, 1024 dim, 16 heads, float16
Text decoder28 layers, 1024 hidden, 16Q/8KV heads, 8-bit quantized (group_size=64)
Classify headLinear(1024, 5000), float16
Timestamp resolution80ms per class (5000 classes = 400s max)
Total size~1.4 GB

Usage

let aligner = try await Qwen3ForcedAligner.fromPretrained(
    modelId: "aufklarer/Qwen3-ForcedAligner-0.6B-8bit"
)
let aligned = aligner.align(
    audio: samples, text: "Hello world", sampleRate: 24000
)

Variants

VariantSizeModel ID
4-bit~979 MBaufklarer/Qwen3-ForcedAligner-0.6B-4bit
8-bit~1.4 GBaufklarer/Qwen3-ForcedAligner-0.6B-8bit
bf16~1.8 GBaufklarer/Qwen3-ForcedAligner-0.6B-bf16
CoreML INT4~630 MBaufklarer/Qwen3-ForcedAligner-0.6B-CoreML-INT4
CoreML INT8~1.0 GBaufklarer/Qwen3-ForcedAligner-0.6B-CoreML-INT8

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
0457b7f

0 моделей