/ Модель

Характеристики

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

tamil-asr-qwen3

Распознавание речиАудио → текст8 профессий

Модель LemuraLabs для транскрибации тамильской речи в текст на базе Qwen3-ASR-1.7B.

418скачиваний за 30 дней3лайкавеса обновлены5 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

Tamil ASR Qwen3 — модель распознавания речи, разработанная LemuraLabs и дообученная на базе Qwen/Qwen3-ASR-1.7B для транскрибации тамильской речи. Это генеративная ASR-архитектура с аудиоэнкодером и декодером Qwen3 на 1,7 млрд параметров; принимает монофоническое аудио с частотой 16 кГц и выдаёт текст на тамильском языке. Для декодирования автор рекомендует beam search с пятью лучами.

Модель предназначена для расшифровки разговорной и прочитанной речи, голосовых интерфейсов, создания субтитров и автоматизированных конвейеров транскрибации. На тестовой части FLEURS-Tamil автор сообщает WER 25,27% и CER 7,95% на 586 клипах; результаты заявлены как лучшие относительно указанных в карточке IndicConformer-600M и Whisper-large-v3 при общей нормализации текста.

Модель обучалась примерно на 1 475 часах тамильской речи из IndicVoices, Shrutilipi и Kathbath. Она ориентирована только на тамильский язык; качество может снижаться на сильно зашумлённой, удалённой или смешанной по языкам речи, а также зависеть от диалекта, предметной области и характеристик диктора. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация разговорной речи на тамильском языке
  • расшифровка новостных и прочитанных тамильских записей
  • создание субтитров для тамильского аудио
  • распознавание речи для тамильских голосовых интерфейсов
  • автоматическая транскрибация тамильских аудиозаписей

Ограничения

Модель предназначена только для тамильского языка; качество может снижаться на сильно зашумлённой, удалённой или смешанной по языкам речи. Результаты также могут зависеть от диалекта, предметной области и характеристик диктора.

Для каких профессий подходит8

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

Tamil ASR (Qwen3-ASR) — தமிழ் பேச்சு-to-எழுத்து

Format Task Type License

State-of-the-art Tamil Automatic Speech Recognition. An LLM-based speech-to-text model fine-tuned from Qwen/Qwen3-ASR-1.7B for the Tamil language (தமிழ்). On the public FLEURS-Tamil benchmark it outperforms AI4Bharat's IndicConformer (the prior Indic SOTA) on both WER and CER, and beats OpenAI's Whisper-large-v3 by a wide margin.

Keywords: Tamil ASR · Tamil speech to text · Tamil STT · தமிழ் speech recognition · Indic ASR · Dravidian ASR


Results — FLEURS-Tamil test set (586 utterances)

ModelWER ↓CER ↓
Tamil-ASR-Qwen3 (this model)25.27%7.95%
IndicConformer-600M (AI4Bharat, prior SOTA)25.49%9.33%
Whisper-large-v3 (OpenAI)48.58%13.75%
Qwen3-ASR-1.7B (base, no Tamil support)153.29%113.24%
  • #1 on FLEURS-Tamil — beats IndicConformer on both WER (25.27 vs 25.49) and CER (7.95 vs 9.33).
  • Yes — ~23 WER points better than Whisper-large-v3.
  • Yes — An LLM-based ASR beating a purpose-built Conformer (CTC/RNNT) SOTA — with far less Tamil audio.
  • All numbers use an identical text normalizer across every model, computed by us on the same 586 held-out clips (see Evaluation).

Model description

  • Task: Automatic Speech Recognition (speech → Tamil text)
  • Language: Tamil (ta) only
  • Architecture: Qwen3-ASR — audio encoder + Qwen3 LLM decoder (generative ASR), 1.7B parameters
  • Base model: Qwen/Qwen3-ASR-1.7B
  • Audio input: 16 kHz mono
  • Decoding: beam search (num_beams=5) recommended

Training data (~1,475 hours of Tamil)

SourceHoursStyle
IndicVoices (AI4Bharat)803natural / conversational
Shrutilipi (AI4Bharat)462read / news
Kathbath (AI4Bharat)172read
FLEURS-Tamil train + Tamil TTS~38read

Training procedure

A two-stage recipe:

  1. Language adaptation — fine-tune the base on the large conversational corpus (IndicVoices) to teach Tamil; merge into the base weights.
  2. Read-speech domain adaptation — LoRA (rank 64, α 128) on the combined read corpora (Shrutilipi + Kathbath + FLEURS-train + TTS), 2 epochs, lr 5e-5, bf16, then merged.

Trained with ms-swift on 4× NVIDIA H100. (Note: a full-parameter fine-tune was also tried and underperformed LoRA — LoRA r64 is the released configuration.)

Evaluation

  • Benchmark: google/fleurs, config ta_in, test split — 586 clips, fully held out (never seen in training; training corpora are separate from FLEURS-test, so there is no leakage).
  • Metrics: WER and CER via jiwer.
  • Fairness: the same punctuation-stripping / whitespace normalizer is applied to every model (this model, IndicConformer, Whisper, base) on the same clips. Decoding: beam search (num_beams=5).

How to use

With ms-swift:

pip install ms-swift transformers==4.57.6 qwen-asr soundfile
swift infer \
 --model lemuralabs/tamil-asr-qwen3 \
 --val_dataset your_data.jsonl \
 --infer_backend pt --max_new_tokens 256 --num_beams 5

Dataset JSONL format (one line per clip):

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

Audio should be 16 kHz mono.

Yes — Intended uses & limitations

Intended: transcribing Tamil speech (read and conversational), Tamil voice interfaces, captioning, transcription pipelines.

Limitations:

  • Tamil only — not trained for other languages.
  • Benchmarked on read speech (FLEURS); very noisy/far-field/heavy-code-mixed audio may degrade.
  • May reflect biases (domain, dialect, speaker) present in the training corpora.

Acknowledgements

  • Base model: Qwen/Qwen3-ASR-1.7B (Alibaba Qwen team)
  • Training data: AI4Bharat (IndicVoices, Shrutilipi, Kathbath) and Google FLEURS
  • Reference/comparison: AI4Bharat IndicConformer, OpenAI Whisper-large-v3

License

Apache-2.0 (inherits the base model's license). Please also respect the licenses of the training datasets.

Citation

@misc{tamil_asr_qwen3_2026,
 title = {Tamil ASR (Qwen3-ASR): an LLM-based Tamil speech recognizer},
 author = {Lemura Labs},
 year = {2026},
 howpublished = {\url{https://huggingface.co/lemuralabs/tamil-asr-qwen3}}
}

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
84c069c

0 моделей