/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Своя лицензия
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Библиотека
transformers
Опубликована
31 мая 2026

qwen3-asr-radio-1.7b

Распознавание речиАудио → текст3 профессии

Дообученная Qwen3-ASR для вспомогательной транскрибации английских авиационных переговоров по зашумлённой VHF-радиосвязи.

27скачиваний за 30 дней2лайкавеса обновлены31 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

chrullis разработал Qwen3-ASR-Radio 1.7B — дообученную модель семейства Qwen3-ASR для распознавания английской речи в искажённых авиационных радиопередачах VHF. Это плотная аудиотекстовая модель на архитектуре Qwen3ASRForConditionalGeneration, выпущенная в формате safetensors и доступная как объединённая полная модель на базе Qwen/Qwen3-ASR-1.7B.

Модель предназначена для вспомогательной транскрибации переговоров авиадиспетчеров: получения общего смысла, поиска по записям и обнаружения ключевых слов или предупреждений с участием человека. В README сообщается о снижении WER на тестовых данных UWB-ATCC с 0,766 до 0,317 и на другой сети ATC ATCO2 с 0,609 до 0,327; точность на чистой речи LibriSpeech при этом сохранена. Модель принимает аудио и выдаёт текст; карточка указывает поддержку английского языка.

Ошибки остаются частыми: WER около 32%, особенно для позывных и последовательностей цифр. Проверена только английская авиационная радиосвязь; морская, общественная и неанглоязычная связь не тестировались. Модель не предназначена для автономной дословной расшифровки или решений, связанных с безопасностью. Лицензия указана как other; поскольку модель производна от Qwen3-ASR и обучалась на исследовательских наборах UWB-ATCC и ATCOSIM, перед коммерческим распространением следует проверить условия лицензий базовой модели и данных.

Сценарии применения

  • транскрибация записей переговоров авиадиспетчеров по VHF
  • поиск по архиву авиационных радиопереговоров
  • выделение ключевых слов и предупреждений из радиозаписей
  • получение общего смысла помеховых переговоров для проверки человеком

Ограничения

WER составляет около 32%, ошибки особенно часто затрагивают позывные и последовательности цифр, поэтому модель не подходит для автономной дословной расшифровки или решений по безопасности. Проверена только на английской авиационной радиосвязи; условия коммерческого распространения требуют проверки лицензий базовой модели и обучающих данных.

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-Radio (1.7B) — robust ASR for degraded VHF airband radio

Fine-tune of Qwen/Qwen3-ASR-1.7B for poor-quality VHF voice radio (air-traffic-control airband). Off-the-shelf Qwen3-ASR is excellent on clean speech but collapses on real radio; this model roughly halves the word error rate on real airband while preserving clean-speech accuracy.

Results (WER, lower is better)

Faithful greedy decoding (qwen-asr .transcribe, max_new_tokens=64), n=200.

eval setbasethis model
UWB-ATCC test (held-out, in-domain)0.7660.317 (−59%)
ATCO2 (different ATC network, unseen speakers)0.6090.327 (−46%)
LibriSpeech (clean, forgetting check)0.0130.010 (no regression)

The improvement generalizes to a different ATC corpus and unseen speakers, and does not degrade clean speech.

Intended use & limitations

  • Use: assistive transcription of degraded airband ATC radio — human-in-the-loop, gisting, keyword/alert spotting, search/indexing.
  • Not for: unattended verbatim transcription or automated safety decisions (~32% WER; errors concentrate on callsigns and digit strings).
  • Scope: validated on aviation airband (English) only. Maritime / public-safety (DMR/P25) and non-English are untested. Contextual callsign biasing would substantially help the dominant errors.

How to use

This is a merged full model (drop-in for the base). Via the qwen-asr toolkit (pip install qwen-asr):

import torch
from qwen_asr import Qwen3ASRModel
m = Qwen3ASRModel.from_pretrained("chrullis/qwen3-asr-radio-1.7b",
                                  dtype=torch.bfloat16, device_map="cuda:0",
                                  max_new_tokens=64)   # keep a length cap as a guard
print(m.transcribe(audio=("clip.wav", 16000), language=None)[0].text)

Serve with vLLM (OpenAI-compatible)

It's a merged, drop-in Qwen3-ASR, so vLLM serves it straight from the Hub. Qwen3-ASR audio decoding needs soundfile, which isn't in the stock vLLM image — build a 2-line derived image once:

printf 'FROM vllm/vllm-openai:v0.20.2\nRUN pip install --no-cache-dir soundfile\n' > Dockerfile
docker build -t vllm-qwen3asr .

docker run --gpus all -p 8000:8000 vllm-qwen3asr \
  --model chrullis/qwen3-asr-radio-1.7b \
  --served-model-name qwen3-asr-radio \
  --dtype float16 --gpu-memory-utilization 0.80 --max-model-len 4096

Transcribe via the best-quality endpoint (plain text):

curl -s http://localhost:8000/v1/audio/transcriptions \
  -F model=qwen3-asr-radio -F file=@clip.wav

Notes:

  • Requires a vLLM build with Qwen3-ASR support (e.g. v0.20.2). Fits an 8 GB GPU at fp16.
  • Prefer /v1/audio/transcriptions. The default Qwen3-ASR chat template emits a spurious empty system turn that degrades /v1/chat/completions quality — if you need the chat endpoint, pass a fixed template + --chat-template ... --trust-request-chat-template.
  • Keep a generation length cap (max_new_tokens≈64) as a decode guard.

For the LoRA adapter (and how to apply/merge it yourself), see chrullis/qwen3-asr-radio-1.7b-lora.

Training

  • Base: Qwen/Qwen3-ASR-1.7B; method: LoRA (r=16, α=32) on the Thinker's audio encoder and text decoder (all-linear), bf16 + gradient checkpointing, 2000 steps, lr 5e-5, effective batch 8. Fits an 8 GB consumer GPU.
  • Data (50/50 mix): real UWB-ATCC airband (train split, EOS-terminated targets) + synthetic channel-degraded LibriSpeech + ATCOSIM (bandlimit, SNR-swept noise, codec2 vocoder + frame errors, dropouts, signaling tones).
  • Key detail: training targets include the EOS token (<|im_end|>) — without it the model never learns to stop and runs away at inference.

Evaluation protocol

UWB-ATCC train minus an 800-clip validation set for tuning; the official test split and ATCO2 were touched only for the final numbers above. WER over normalized text.

Licensing & data provenance

Derivative of Qwen3-ASR (see base-model license) trained on UWB-ATCC, ATCOSIM, and LibriSpeech. UWB-ATCC and ATCOSIM are research/academic corpora — verify their terms before any commercial redistribution of this model; they may restrict use.

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
c1a1964

0 моделей