/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-ASR-1.7B
Опубликована
11 апр 2026

qwen3-asr-1.7b-GGUF

Распознавание речиАудио → текст5 профессий

cstr/qwen3-asr-1.7b-GGUF — это набор GGUF-квантизаций модели автоматического распознавания речи Qwen3-ASR-1.7B, разработанной Qwen.

7 462скачиваний за 30 дней14лайковвеса обновлены2 авг 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

Репозиторий предназначен для запуска модели с CrispASR и содержит варианты Q4_K, Q8_0 и F16. Модель поддерживает 30 языков, 22 китайских диалекта, а также распознавание речи, вокала и песен с фоновой музыкой; принимает аудио длительностью до 5 минут. Указаны языки, включая английский, китайский, японский, корейский, немецкий, французский, испанский, португальский, русский и итальянский.

Архитектура включает 24-слойный Whisper-подобный аудиоэнкодер с размерностью 1024, 2-слойный MLP-проектор и 28-слойный декодер Qwen3 с размерностью 2048. Размеры файлов составляют около 1,5 ГБ для Q4_K, 2,5 ГБ для Q8_0 и 4,7 ГБ для F16. Вариант Q4_K рекомендуется для большинства сценариев; после обновления аудиоэнкодер в нём хранится в Q8_0, что устраняет проблемы с пустыми или повторяющимися транскрипциями. На 11-секундном английском аудиофрагменте заявлена скорость 0,2 от реального времени на CPU с четырьмя потоками и идеальная точность транскрипции, однако это не гарантирует аналогичных результатов на всех данных.

Модель подходит для локального многоязычного распознавания речи и перевода через CrispASR. Ограничениями являются необходимость совместимого запускающего ПО, зависимость качества и скорости от выбранной квантизации и оборудования, а также ограничение длительности входного аудио до 5 минут. Репозиторий содержит только конвертацию и квантизацию исходных весов без дообучения, слияния или изменения архитектуры. Распространяется по лицензии Apache 2.0; права и ограничения исходной модели Qwen3-ASR-1.7B сохраняются.

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-ASR-1.7B — GGUF

GGUF quantizations of Qwen/Qwen3-ASR-1.7B for use with CrispASR.

Qwen3-ASR-1.7B is a multilingual speech recognition model supporting 30 languages + 22 Chinese dialects, with support for speech, singing voice, and songs with background music. Audio inputs up to 5 minutes.

Files

FileQuantSizeNotes
qwen3-asr-1.7b-q4_k.ggufQ4_K~1.5 GBRecommended for most use cases (audio tower kept at Q8_0 — see rebake note)
qwen3-asr-1.7b-q8_0.ggufQ8_0~2.5 GBHigher quality, more memory
qwen3-asr-1.7b-f16.ggufF16~4.7 GBFull precision (needs ~5 GB RAM)

2026-07 rebake — audio tower now Q8_0 (fixes empty / repeated transcripts)

qwen3-asr-1.7b-q4_k.gguf was re-baked with the 24-layer audio encoder kept at Q8_0 (previously Q4_K like the LLM body; ~0.15 GB larger). The earlier Q4_K export could emit an empty transcript (or, on longer audio, a repeated phrase) while still reporting success (CrispASR #240) — the same sub-8-bit encoder drift diagnosed in #218. Encoder-output cosine vs the F16 reference (jfk): 0.9632 → 0.9989 min, 0.9913 → 0.9998 mean — i.e. the tower is back to near-lossless and decode no longer degenerates. The Q8_0 and F16 files were never affected.

Usage with CrispASR

# Auto-download and transcribe (Q4_K)
crispasr -m qwen3-1.7b -f audio.wav

# Or specify the model path directly
crispasr -m qwen3-asr-1.7b-q4_k.gguf -f audio.wav --backend qwen3

# With language hint
crispasr -m qwen3-1.7b -f audio.wav -l ja

# Translation mode
crispasr -m qwen3-1.7b -f audio.wav --translate --target-lang en

Performance

On JFK speech sample (11s, English):

  • Q4_K: 0.2x realtime on CPU (4 threads)
  • Perfect transcription accuracy

Conversion

Converted from the non-HF variant (Qwen/Qwen3-ASR-1.7B, not the -hf variant):

python models/convert-qwen3-asr-to-gguf.py \
    --input Qwen/Qwen3-ASR-1.7B \
    --output qwen3-asr-1.7b-f16.gguf
crispasr-quantize qwen3-asr-1.7b-f16.gguf qwen3-asr-1.7b-q4_k.gguf q4_k

Note: The converter also supports the -hf variant (Qwen/Qwen3-ASR-1.7B-hf) which uses a different tensor naming convention. Both produce identical results.

Architecture

  • Audio encoder: 24-layer Whisper-style encoder (d=1024, 16 heads, GELU)
  • Projector: 2-layer MLP (1024 → GELU → 2048)
  • LLM decoder: 28-layer Qwen3 (d=2048, 16Q/8KV heads, head_dim=128, SwiGLU)
  • Vocab: 151,936 tokens (GPT-2 BPE)
  • RoPE theta: 1,000,000

License

Apache 2.0

Provenance and EU AI Act Art. 53 note

  • Upstream model: Qwen/Qwen3-ASR-1.7B — published by Qwen.
  • Upstream licence: apache-2.0. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
674df5d

0 моделей