/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Опубликована
5 мая 2026

Qwen3-ASR-Enhanced-v0.1

Распознавание речиАудио → текст6 профессий

Дообученная модель Qwen3-ASR-1.7B распознаёт речь и размечает невербальные вокализации в транскрипте аудио.

80скачиваний за 30 дней15лайковвеса обновлены5 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

Qwen3 ASR Enhanced — дообученная модель mrfakename на базе Qwen/Qwen3-ASR-1.7B для распознавания речи и транскрибации аудио с inline-разметкой невербальных вокализаций: смеха, вздохов, кашля, дыхания, прочищения горла и плача. Модель предназначена для расшифровки подкастов, интервью и встреч, создания описательных субтитров, анализа диалогов и подготовки данных для разговорных систем.

Модель использует плотную архитектуру Qwen3ASRForConditionalGeneration, принимает аудио и выдаёт текстовую транскрипцию. README заявляет поддержку английского, немецкого и французского языков, устойчивость к шуму, акцентам и длинным записям. Это альфа-версия; автор отмечает нестабильность тегов невербальных звуков и планирует улучшить их, а также добавить диаризацию говорящих. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация подкастов и интервью с разметкой смеха и вздохов
  • создание описательных субтитров для аудио и видео
  • анализ реакций и невербальных сигналов в диалогах
  • подготовка речевых данных для разговорных систем и выразительного синтеза речи
  • анализ вовлечённости и контекста реакции в медиаматериалах

Ограничения

Это альфа-версия; автор предупреждает о нестабильности тегов невербальных вокализаций. Диаризация говорящих пока не поддерживается.

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

Qwen3 ASR Enhanced

Overview

Qwen3 ASR Enhanced is a fine-tuned variant of Qwen/Qwen3-ASR-1.7B with added support for nonverbal vocalization recognition. In addition to standard speech transcription, this model captures and labels nonverbal sounds such as laughter, sighs, coughs, breaths, throat clearing, and crying inline within the transcript.

This makes the model especially useful for use cases where paralinguistic cues matter: podcast and interview transcription, dialogue analysis, conversational AI training data, accessibility captioning, emotional/affective speech research, and content moderation pipelines where tone and reaction context are as important as the words themselves.

The model retains the strong multilingual ASR performance of the base Qwen3-ASR-1.7B across English, German, French, etc. along with its robustness to noisy environments, accents, and long-form audio.

NOTE: This is an alpha release of the model, a new version will be released soon with additional features such as support for speaker diarization and improved nonverbal tag stability.

Use Cases

  • Rich transcription for podcasts, interviews, and meetings where laughter and sighs add meaning
  • Dataset creation for training conversational or expressive TTS systems
  • Accessibility - generating more descriptive captions for media
  • Affective computing & dialogue research where nonverbal cues are signal, not noise
  • Content analysis for sentiment, engagement, or moderation workflows

Quickstart

Install the qwen-asr package:

pip install -U qwen-asr

Then load the model and run transcription:

import torch
from qwen_asr import Qwen3ASRModel

model = Qwen3ASRModel.from_pretrained(
    "mrfakename/Qwen3-ASR-Enhanced-v0.1",
    dtype=torch.bfloat16,
    device_map="cuda:0",
    max_inference_batch_size=32,
    max_new_tokens=256,
)

results = model.transcribe(
    audio="path/to/your/audio.wav",
    language=None,  # auto-detect, or set "English" / "German" / "French"
)

print(results[0].language)
print(results[0].text)
# Example output: "Yeah I mean [laughs] that was honestly the best part [sigh] of the whole thing."

For batch inference, vLLM-backed serving, streaming, or word-level timestamps via the forced aligner, follow the same patterns documented in the base Qwen3-ASR README - this model is a drop-in replacement.

Citation

If you use this model, please also cite the original Qwen3-ASR work:

@article{Qwen3-ASR,
  title={Qwen3-ASR Technical Report},
  author={Xian Shi and others},
  journal={arXiv preprint arXiv:2601.21337},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
611758e

0 моделей