/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Fun-ASR-Nano-2512
Библиотека
ggml
Опубликована
20 мая 2026

funasr-nano-GGUF

Распознавание речиАудио → текст7 профессий

cstr/funasr-nano-GGUF — это GGUF-версия модели Fun-ASR-Nano-2512, разработанной Alibaba и FunAudioLLM и перепакованной для работы с backend funasr в CrispASR.

1 495скачиваний за 30 дней0лайковвеса обновлены27 мая 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

Модель предназначена для автоматического распознавания и транскрибации речи на китайском (мандарин и кантонский), английском, японском и корейском языках.

Архитектура включает 70-блочный SANM-энкодер SenseVoiceSmall, двухблочный Transformer-аудиоадаптер и декодер на базе Qwen3-0.6B с 28 слоями и GQA. Речь передаётся в языковую модель через ChatML-промпт, а генерация выполняется авторегрессионно с использованием KV-кэша. В репозитории доступны варианты F16, Q8_0 и Q4_K; последний имеет размер около 897 МБ и рекомендован как вариант по умолчанию. Опубликованные веса используют только путь через LLM-декодер, без рабочего CTC-декодера.

Модель подходит для локальной транскрибации аудиозаписей и интеграции в приложения через CrispASR. Сильными сторонами являются компактный размер, поддержка нескольких языков и близкое к исходному качество у квантованных вариантов. Ограничение — английский вывод может быть в верхнем регистре и без пунктуации; для нормализации регистра и расстановки знаков препинания требуется отдельная модель. Код распространяется по Apache-2.0, а веса — по FunASR Model License v1.1: коммерческое использование разрешено при указании авторства Alibaba и FunAudioLLM.

Для каких профессий подходит7

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

Fun-ASR-Nano-2512 — GGUF (ggml-quantised)

GGUF / ggml conversion of FunAudioLLM/Fun-ASR-Nano-2512 for use with the funasr backend in CrispStrobe/CrispASR.

Fun-ASR-Nano-2512 is Alibaba's speech-LLM ASR model targeting Mandarin + Cantonese + English + Japanese + Korean:

  • 70-block SenseVoiceSmall SANM encoder (1 entry block @ 560→512 + 49 main blocks + 20 "tp" blocks, all 512-dim, 4 heads, FSMN k=11 depthwise convolution branch)
  • 2-block Transformer audio adaptor (512 → 2048 → 1024 prelude + 2× MHA blocks at 1024, FFN inner = 256)
  • Qwen3-0.6B LLM decoder (28 layers, GQA 16/8, head_dim 128, RoPE θ=1e6, RMSNorm eps=1e-6) — the same body as Qwen3-ASR's decoder
  • Speech is spliced into the LLM via the ChatML prompt <|im_start|>user 语音转写:<placeholders><|im_end|>\n<|im_start|>assistant\n and decoded autoregressively
  • KV cache so per-token decode is O(1) in cache size

Architecture note — no CTC path

Upstream config.yaml and funasr/models/fun_asr_nano/model.py declare a CTC decoder + head, but the published model.pt ships only audio_encoder.* + audio_adaptor.* + llm.* (1261 tensors total, zero ctc_decoder.* / ctc.ctc_lo.* keys). The LLM-decoder path is therefore the only viable inference path for these weights, and is what this GGUF and the CrispASR runtime implement.

Files

FileSizeNotes
funasr-nano-2512.gguf (alias)1.98 GBsymlink/alias of the F16
funasr-nano-2512-f16.gguf1.98 GBF16, full precision reference
funasr-nano-2512-q8_0.gguf1.27 GBQ8_0, near-lossless
funasr-nano-2512-q4_k.gguf897 MBQ4_K — recommended default

All three precisions produce byte-identical output on samples/jfk.wav:

AND SO MY FELLOW AMERICANS ASK NOT WHAT YOUR COUNTRY CAN DO FOR YOU ASK WHAT YOU CAN DO FOR YOUR COUNTRY

(Fun-ASR-Nano outputs upper-case English without punctuation; pipe through --punc-model fullstop-punc or fireredpunc if you need proper casing/punctuation.)

Quick Start

git clone https://github.com/CrispStrobe/CrispASR
cd CrispASR
cmake -B build-ninja-compile -G Ninja -DCMAKE_BUILD_TYPE=Release
cmake --build build-ninja-compile --target crispasr

# Auto-download (recommended Q4_K)
./build-ninja-compile/bin/crispasr -m funasr --auto-download -f samples/jfk.wav

# Or pin a specific file
hf download cstr/funasr-nano-GGUF funasr-nano-2512-q4_k.gguf --local-dir .
./build-ninja-compile/bin/crispasr -m funasr-nano-2512-q4_k.gguf -f samples/jfk.wav

Licence + attribution

Upstream FunAudioLLM/Fun-ASR-Nano-2512:

These GGUF files are a quantised / repackaged distribution of the upstream weights and inherit the FunASR Model License v1.1. Please attribute Alibaba / FunAudioLLM in downstream products.

If you use this model, please also cite the upstream FunASR work. See the upstream model card for the canonical citation.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
5d4346e

0 моделей