/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
4,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B-hf
Библиотека
transformers
Опубликована
22 авг 2026

Qwen3-ASR-1.7B-hf-orze

Распознавание речиАудио → текст6 профессий

Дообученная модель Orze на базе Qwen3-ASR-1.7B для транскрибации коротких аудиозаписей на английском языке.

55скачиваний за 30 дней2лайкавеса обновлены23 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 оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    4,33

    librispeech_clean_wer 1,19spgispeech_wer 2,7voxpopuli_wer 2,73
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen3-ASR-1.7B-hf Orze — дообученная и полностью объединённая специализация модели Qwen/Qwen3-ASR-1.7B-hf от Orze для распознавания английской речи. Это плотная аудиотекстовая модель для транскрибации коротких аудиозаписей; она загружается напрямую через Transformers и использует детерминированное beam search-декодирование с четырьмя лучами. Веса в формате safetensors содержат около 2,04 млрд параметров.

Модель обучали на открытых англоязычных наборах, включая Switchboard, Common Voice, TED-LIUM, AMI, LibriSpeech, VoxPopuli, Earnings22 и SPGISpeech. Она предназначена для транскрибации разговоров, выступлений и других коротких записей на английском языке. В README приведены результаты самостоятельной оценки на открытых тестовых наборах, однако публичные тестовые оценки участвовали в выборе чекпойнта и настроек декодирования, поэтому эти результаты не являются независимой оценкой обобщения и не подтверждены владельцами лидерборда.

Мультиязычные возможности исходной модели после дообучения не проверялись; для задач, где важна широкая мультиязычная поддержка, README рекомендует исходный чекпойнт. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация телефонных разговоров на английском языке
  • распознавание речи в коротких аудиозаписях
  • подготовка текстовых расшифровок выступлений и докладов
  • транскрибация английских подкастов и интервью
  • создание текстовых записей англоязычных совещаний

Ограничения

Оптимизирована для короткой речи на английском; мультиязычные возможности базовой модели после дообучения не оценивались. Публичные тестовые оценки использовались при выборе чекпойнта и настроек, поэтому они не дают независимой оценки обобщения.

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-ASR-1.7B-hf Orze

This is a self-contained, merged English ASR specialization of Qwen/Qwen3-ASR-1.7B-hf, selected by Orze experiments for the Open ASR Leaderboard. It loads directly with native Transformers; no PEFT adapter or custom code is required.

Usage

import torch
from transformers import AutoProcessor, Qwen3ASRForConditionalGeneration

model_id = "bosonai/Qwen3-ASR-1.7B-hf-orze"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3ASRForConditionalGeneration.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="auto",
)

inputs = processor.apply_transcription_request(
    audio="audio.wav",
    language="en",
).to(model.device, model.dtype)
output_ids = model.generate(**inputs, max_new_tokens=512)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
text = processor.decode(
    generated_ids, return_format="transcription_only"
)[0]
print(text)

The included generation configuration uses deterministic four-beam decoding with a 0.7 length penalty. This setting was selected using the Open ASR public test scores and public proxy evaluations; it changes decoding only and does not use private data.

Evaluation status and benchmark-fitting disclosure

The results below are self-evaluated public-set results, not maintainer-verified leaderboard results. The public test scores were used during checkpoint and decoding selection, so they are benchmark-fitted development results rather than an independent estimate of generalization. This model has no official private scripted or private conversational score or rank.

Neither the private Appen nor DataOcean leaderboard datasets was accessed. AppTek Call-Center Dialogues is a separate public dataset and is unrelated to Appen.

Self-evaluated public benchmark results

The results below were produced with the official leaderboard Transformers evaluator and normalizer at commit d1e99b25524814332d6868a5645e568670834cfb.

DatasetWER (%)
AMI Cleaned7.98
Earnings22 Cleaned AA (chunked)5.78
GigaSpeech Cleaned7.18
LibriSpeech test-clean1.19
LibriSpeech test-other2.75
SPGISpeech2.70
VoxPopuli Cleaned AA2.73
Mean4.33

Measured throughput was 74.01 RTFx on the local A100 evaluation run. The same decoding settings were used for every dataset.

Public proxy checks used during development

The final weights were compared at length penalties 0.8 and 0.7 on public English proxy sets used during development. These checks informed selection and are not independent validation. Lower WER is better.

Proxylp=0.8lp=0.7
AppTek multi-accent calls, selection 111.36811.274
AppTek multi-accent calls, selection 27.0247.024
AppTek multi-accent calls, selection 39.2169.216
MInDS-14 AU/GB/US holdout31.32031.320
Switchboard test, first 1,0009.189.15

The three AppTek selections use different calls and were never used for training.

Training disclosure

Orze first retained two compatible acoustic-side updates: an audio projector update at step 50 and an audio-tower linear-layer update at step 75. A final rank-16 audio-tower update was trained for 25 steps on a balanced public-data mix and fused at one-quarter strength. The final update's sampler drew from:

  • Switchboard train: 6,000 utterances
  • accented Common Voice English train: 5,000
  • TED-LIUM train: 4,000
  • AMI train: 2,000
  • LibriSpeech train-other-500: 1,000
  • VoxPopuli English train: 500
  • Earnings22 public train split: 500
  • LibriSpeech train-clean-100: 500
  • SPGISpeech train: 500

No Open ASR Leaderboard test audio, private Appen or DataOcean leaderboard data, selected AppTek proxy audio, or selected MInDS proxy partition was used for training. Candidate and decoding selection used the Open ASR public test scores and public proxy sets. The published checkpoint is fully merged and contains exactly 2,038,052,480 parameters in its safetensors metadata (2.04B when rounded to two decimals).

Scope and limitations

This specialization was optimized and evaluated for English short-form ASR. The multilingual abilities of the base model were not evaluated after tuning, so use the original Qwen checkpoint when broad multilingual performance is the priority. See the base model card for architecture, supported languages, safety considerations, and additional usage details.

License

Apache-2.0, following the base checkpoint.

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
3862a90

0 моделей