/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Библиотека
transformers
Опубликована
16 авг 2026

lemura-arabic-asr-qwen3

Распознавание речиАудио → текст6 профессий

Генеративная модель Lemura Labs для транскрибации арабской речи на литературном языке и пяти группах диалектов, включая код-свитчинг с английским.

263скачиваний за 30 дней2лайкавеса обновлены21 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 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

lemura-arabic-asr-qwen3 — модель распознавания арабской речи от Lemura Labs, дообученная на базе Qwen/Qwen3-ASR-1.7B. Это генеративная ASR-модель: аудиоэнкодер передаёт аудиоконтекст декодеру на основе Qwen3, который выдаёт транскрипцию как текст. Модель предназначена для современного литературного арабского языка и диалектов Персидского залива, Египта, Леванта, Ирака и Магриба, включая марокканскую дариджу; поддерживает переключение между арабским и английским.

Модель рассчитана на расшифровку голосовых сообщений, звонков, медиаматериалов и аудио для голосовых агентов. Список направляющих слов можно использовать для распознавания имён, брендов и специальной терминологии. Веса bf16 опубликованы в формате safetensors; для вывода подходят Transformers и ms-swift. Входное аудио должно быть монофоническим с частотой 16 кГц; базовое окно обработки — 30 секунд, поэтому длинные записи нужно делить на фрагменты. Рекомендуется жадное декодирование. Лицензия — Apache-2.0.

Качество может снижаться на незнакомых акцентах, в новых предметных областях и при сильном шуме или удалённой записи; марокканская дариджа остаётся особенно сложным случаем. Модель не оценивалась для скрытой идентификации говорящих и не предназначена для такого применения; возможны смещения из обучающих корпусов.

Сценарии применения

  • транскрибация звонков на арабском языке
  • расшифровка голосовых сообщений на арабских диалектах
  • создание субтитров для арабских аудио- и видеоматериалов
  • распознавание арабской речи в голосовых агентах
  • транскрибация деловой речи с переключением арабского и английского
  • распознавание имён и брендов по направляющему списку слов

Ограничения

Качество снижается на незнакомых акцентах и в предметных областях вне покрытия, при сильном шуме и удалённой записи; марокканская дариджа остаётся особенно сложным случаем. Для длинного аудио требуется разбиение на фрагменты; модель не предназначена для скрытой идентификации говорящих.

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

lemura-arabic-asr-qwen3

Lemura Labs' Arabic-first generative speech-recognition model — dialect-broad, production-oriented.

Built for the dialects your users actually speak.

License Task Format Params In-domain WER Darija Dialects Base


What it is

lemura-arabic-asr-qwen3 is an Arabic-first generative speech-recognition model. It recasts transcription as audio-conditioned next-token prediction — an audio encoder feeding a Qwen3 language-model decoder, rather than a CTC or transducer objective — so it resolves ambiguity with linguistic context, not acoustics alone.

Fine-tuned from Qwen/Qwen3-ASR-1.7B, it transcribes Modern Standard Arabic and five major dialect groups — Gulf/Khaleeji, Egyptian, Levantine, Iraqi and Maghrebi/Darija — in a single compact 1.7B model.

  • Audio-LLM architecture — generative ASR; context disambiguates where acoustics cannot.
  • Genuinely multi-dialect — MSA plus five dialect groups, including Moroccan Darija, which most ASR systems handle badly.
  • Entity and name biasing — accepts a guiding word-list to lock in brands, people and jargon.
  • Robust to code-switching — Arabic ↔ English, common in Gulf business speech.

Built for the hard part of Arabic ASR: real dialectal speech, code-switching, and named entities.

Model summary

Benchmarks

Open Universal Arabic ASR Leaderboard — full standings

Per-dataset WER % across all six leaderboard test sets, zero-shot. Lower is better; Avg WER is the ranking metric. Our sibling model lemura-arabic-asr-lite is evaluated here with the official leaderboard code; this model's base, Qwen/Qwen3-ASR-1.7B, is row 12.

#ModelParamsAvg WERSADACV-18MASC-cleanMASC-noisyMGB-2Casablanca
1lemuralabs/lemura-arabic-asr-lite (Ours)0.12B25.0837.289.747.2723.6514.3358.24
2CohereLabs/cohere-transcribe-arabic-07-2026~2B25.8737.475.8219.6027.0715.5449.71
3omnilingual-asr/omniASR_LLM_7B7B28.3241.618.7519.6929.2914.1356.46
4omnilingual-asr/omniASR_LLM_3B3B29.9646.189.1519.9030.0314.2260.27
5omnilingual-asr/omniASR_LLM_1B1B29.9643.849.5520.0330.2615.3460.68
6CohereLabs/cohere-transcribe-03-2026~2B30.6760.118.178.6619.0125.3362.71
7Qwen/Qwen3-Omni-30B-A3B-Instruct30B30.7144.8211.4621.4730.8513.0962.55
8nvidia-conformer-ctc-large-arabic (lm)0.6B32.9144.528.8023.7434.2917.2068.90
9omnilingual-asr/omniASR_LLM_300M0.3B32.9651.3812.0320.6632.4516.5864.64
10google/gemma-4-E4B-it4B32.9843.4019.6524.8633.5917.7258.63
11Qwen/Qwen3-ASR-1.7B (our base, zero-shot)1.7B33.3645.5316.9024.3734.2916.5764.47
12mistralai/Voxtral-Small-24B-250724B34.4750.8215.2523.9634.4316.0366.30
13nvidia-conformer-ctc-large-arabic (greedy)0.6B34.7447.2610.6024.1235.6419.6971.13
14google/gemma-4-E2B-it2B35.8746.2323.7627.4736.1520.7260.87
15openai/whisper-large-v31.5B36.8655.9617.8324.6634.6316.2671.81
16omnilingual-asr/omniASR_CTC_3B3B37.7869.8514.1921.4834.6018.9667.58
17omnilingual-asr/omniASR_CTC_7B7B38.1272.6912.4721.0835.0420.4367.02
18facebook/seamless-m4t-v2-large2.3B38.1662.5221.7025.0433.2420.2366.25
19omnilingual-asr/omniASR_CTC_1B1B39.2971.4217.5522.7635.7319.9668.32
20openai/whisper-large-v3-turbo0.8B40.0560.3625.7325.5137.1617.7573.79
21openai/whisper-large-v21.5B40.2057.4621.7727.2538.5525.1771.01
22Qwen/Qwen3-ASR-0.6B0.6B42.1953.7528.2831.3442.6325.4571.68
23openai/whisper-large1.5B42.5763.2426.0428.8940.7924.2872.18
24mistralai/Voxtral-Mini-3B-25073B42.5863.6522.1228.3741.2722.5677.52
25asafaya/hubert-large-arabic-transcribe0.3B45.5067.828.0132.9450.1637.5176.53
26openai/whisper-medium0.8B45.5767.7128.0729.9942.9129.3275.44
27nvidia-Parakeet-ctc-1.1b-concat1.1B46.5470.7026.3430.4945.9524.9480.80
28omnilingual-asr/omniASR_CTC_300M0.3B46.6578.1127.9028.4043.2626.8575.35
29nvidia-Parakeet-ctc-1.1b-universal1.1B51.9673.5840.0136.1650.0330.6881.30
30microsoft/VibeVoice-ASR—52.9969.8344.2532.9552.4325.1093.37
31facebook/mms-1b-all1B54.5477.4826.5238.8257.3339.1687.95
32openai/whisper-small0.24B55.1378.0224.1835.9356.3648.6487.64
33whitefox123/w2v-bert-2.0-arabic-40.6B58.1387.3441.7937.8253.2840.6687.88
34jonatasgrosman/wav2vec2-large-xlsr-53-arabic0.3B60.9886.8223.0042.7564.2756.2992.72
35speechbrain/asr-wav2vec2-commonvoice-14-ar0.1B65.7488.5429.1749.1069.5764.3793.68

Competitor rows are the published Open Universal Arabic ASR Leaderboard standings, reproduced for context; they are not our measurements. Casablanca (Moroccan Darija) is the hardest set for every system.

Transformers inference

The full-precision bf16 weights are published at the repo root (safetensors). Qwen3-ASR is supported natively in recent Transformers — no trust_remote_code needed.

# pip install "transformers>=4.57.6" torch librosa
import torch, librosa
from transformers import AutoProcessor, Qwen3ASRForConditionalGeneration

repo = "lemuralabs/lemura-arabic-asr-qwen3"
processor = AutoProcessor.from_pretrained(repo)
model = Qwen3ASRForConditionalGeneration.from_pretrained(
    repo, dtype=torch.bfloat16, device_map="auto"
).eval()

audio, _ = librosa.load("clip.wav", sr=16_000)          # 16 kHz mono

messages = [{"role": "user", "content": [{"type": "audio", "audio": audio}]}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=text, audio=audio, sampling_rate=16_000, return_tensors="pt").to(model.device)

out = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

ms-swift inference

For batch transcription over a dataset, ms-swift is the fastest path:

pip install ms-swift transformers==4.57.6 qwen-asr soundfile
swift infer \
  --model lemuralabs/lemura-arabic-asr-qwen3 \
  --val_dataset your_data.jsonl \
  --infer_backend pt --max_new_tokens 256

Dataset JSONL, one line per clip, audio 16 kHz mono:

{"messages": [{"role": "user", "content": "<audio>"}, {"role": "assistant", "content": ""}], "audios": ["/path/to/clip.wav"]}

Entity and name biasing

Pass a short guiding word-list as a system message to lock in names, brands and jargon:

{"messages": [
  {"role": "system", "content": "الكلمات المرشدة: أبوبي، موهان، لمُرا"},
  {"role": "user", "content": "<audio>"},
  {"role": "assistant", "content": ""}],
 "audios": ["/path/to/clip.wav"]}

This alone fixes most brand and name errors in real business audio.

Notes

  • Long audio: the audio encoder uses a 30 s window (chunk_length: 30); chunk longer inputs client-side and concatenate the transcripts.
  • Sample rate: input must be 16 kHz mono; resample before inference.
  • Decoding: greedy (do_sample=False) is recommended for transcription; sampling adds hallucination risk.
  • Precision: weights are bf16; fp16 works on older GPUs, but bf16 is what the model was trained and merged in.

Languages, dialects and tasks

  • Primary: Arabic — MSA and dialectal (Gulf/Khaleeji, Egyptian, Levantine, Iraqi, Maghrebi/Darija), plus code-switched Arabic–English; emits dialect-faithful orthography from audio alone.
  • Task: transcription (audio → UTF-8 text), optionally steered by a guiding word-list for entities.
  • Audio: 16 kHz mono, 30 s window.

Intended use and limitations

Intended use. Transcribing Arabic speech across dialects — contact centres, voice notes, media captioning, voice agents and accessibility, especially Gulf and Maghrebi deployments; cloud or on-prem.

Limitations.

  • Best on the dialects and domains it covers; fully unseen accents or domains will be harder.
  • Maghrebi / Moroccan Darija remains the hardest condition, as it is for every system.
  • Very noisy or far-field audio degrades accuracy; long recordings must be chunked.
  • Not evaluated for, and must not be used for, covert speaker identification.
  • May reflect biases present in the training corpora.

Related model

lemura-arabic-asr-lite — ~115M-parameter FastConformer-CTC, CPU and real-time capable, #2 of 36 zero-shot on the Open Universal Arabic ASR Leaderboard.

-qwen3 (this model)-lite
Parameters1.7B~115M
ApproachGenerative audio-LLMFastConformer-CTC
HardwareGPUCPU or GPU
StrengthIn-domain dialect depth, entity biasingZero-shot generality, edge deployment
Reported WER22.6 (in-domain)25.08 (zero-shot, leaderboard)

License

Apache-2.0, inheriting the base model's license. Please also respect the licenses of the training datasets.

Citation

@misc{lemura_arabic_asr_qwen3_2026,
  title  = {lemura-arabic-asr-qwen3: Generative Multi-Dialect Arabic Speech Recognition},
  author = {Lemura Labs},
  year   = {2026},
  url    = {https://huggingface.co/lemuralabs/lemura-arabic-asr-qwen3}
}

Acknowledgements

  • Base model: Qwen/Qwen3-ASR-1.7B (Alibaba Qwen team)
  • Evaluation: the Open Universal Arabic ASR Leaderboard official code

About Lemura Labs

Arabic-first, efficiency-first speech intelligence.

Lemura Labs starts with the dialects people actually speak.

We build compact, deployable speech and language models — accuracy at a size and cost that works outside the datacentre. Our work spans speech recognition, dialectal language modelling, and efficient inference for real-world deployment, from edge devices to on-prem clusters.

Dialect-first. Efficient by design. Built to deploy.

© 2026 Lemura Labs · Licensed under Apache-2.0

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
a29859e

0 моделей