/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-0.6B-hf
Библиотека
transformers
Опубликована
9 июл 2026

qwen3-asr-0.6b-arabic-dialectal

Распознавание речиАудио → текст5 профессий

Дообученная на арабских диалектных данных модель Qwen3-ASR для офлайн-транскрибации коротких аудиозаписей на арабском языке.

66скачиваний за 30 дней0лайковвеса обновлены9 июл 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

oddadmix/qwen3-asr-0.6b-arabic-dialectal — дообученная Oddadmix модель распознавания речи на основе Qwen/Qwen3-ASR-0.6B-hf. Это мультимодальная LLM-ASR с плотной архитектурой Qwen3-ASR; в README указано 0,6 млрд параметров (также приведена оценка 938 млн). Модель предназначена для транскрибации арабской речи из разных диалектных регионов, включая левантийский, магрибский, египетский, заливный, суданский и иракский арабский, а также литературный арабский. Она принимает аудио и выдаёт текст без диакритических знаков. На тестовом наборе из 932 фрагментов дообученная версия показала WER 0,676 и CER 0,408 против 0,756 и 0,454 у базовой модели в режиме zero-shot.

Модель дообучена всеми параметрами на примерно 36,8 тыс. обучающих примеров после фильтрации; данные включали аугментации шума, музыки, скорости, голоса и реверберации. Подходит для офлайн-транскрибации коротких записей и оценки распознавания арабских диалектов. По данным README, обрабатывает фрагменты длительностью до 30 секунд и не поддерживает потоковое распознавание. Качество на реальных записях и отдельных диалектах может различаться; магрибские диалекты названы наиболее сложными. Лицензия — Apache-2.0; автор рекомендует проверять качество на собственных данных перед производственным использованием.

Сценарии применения

  • транскрибация арабской разговорной речи
  • распознавание египетского арабского в аудиозаписях
  • транскрибация левантийских диалектов
  • распознавание магрибской арабской речи
  • получение текста без диакритики из коротких аудиофрагментов

Ограничения

Модель работает офлайн с фрагментами длительностью до 30 секунд и не поддерживает потоковое распознавание; выходной текст не содержит диакритических знаков. Качество на реальных данных и по диалектам различается, магрибские диалекты распознаются сложнее.

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-0.6b-arabic-dialectal

Fine-tune of Qwen/Qwen3-ASR-0.6B-hf (0.6B (938M)) for multi-dialect Arabic speech recognition (undiacritized output).

Private / internal model. Evaluate on your own data before production use.

Results (932-clip held-out test set)

WERCER
Base (Qwen3-ASR-0.6B-hf, zero-shot)0.7560.454
This model (fine-tuned)0.6760.408

LLM-ASR (multimodal). Full fine-tune, targets stripped of tashkil + tags (trial t3). 3 epochs. Needs transformers>=5.14 for qwen3_asr.

Model comparison — all Arabic ASR models

Same 932-clip held-out test set, same clean_text scoring (strip tashkil + tags, keep punctuation + dialect spelling) — so every row is directly comparable.

ModelParamsZero-shot WERFine-tuned WERCER (best)
whisper-large-v3-turbo 🏆809M0.5900.3440.115
cohere-transcribe-arabic2.0B0.4570.3570.137
whisper-medium769M0.7170.3580.123
nemotron-3.5-asr (streaming)638M0.5920.422—
whisper-small244M~0.770.4280.151
qwen3-asr-0.6b938M0.7560.6760.408
qwen3-asr-1.7b1.7B—training—
  • Best fine-tuned: whisper-large-v3-turbo (WER 0.344), with cohere-transcribe-arabic a close second (0.357).
  • Best zero-shot: cohere-transcribe-arabic (0.457, Arabic-specialized). A full fine-tune (all ~2B params, low LR) now improves it to 0.357; an earlier 32 GB LoRA attempt had instead degraded it (0.510, overfit) — full-parameter tuning with best-checkpoint selection was the fix.
  • Streaming / low-latency: nemotron-3.5-asr.
  • Parakeet-TDT-0.6b-v3 was tried but abandoned (European-only pretraining; cross-lingual transfer to Arabic converged far too slowly, WER ~0.93 after 3k steps).

Dataset

Fine-tuned on oddadmix/dialectal-arabic-lahgtna-v2-smaller-augmented (private).

  • ~40,000 train / 1,000 test clips, 16 kHz mono, single-channel.
  • Multi-dialect Arabic: Levantine (Lebanese/Syrian), Maghrebi (Moroccan/Algerian/Tunisian), Egyptian, Gulf/Saudi, Sudanese, Iraqi, and MSA.
  • Augmented: each clean clip is expanded with variants (noise, music, speed, voice, reverb/codec) via an augmentation column. Derived from oddadmix/dialectal-arabic-lahgtna-v2-smaller.

Preprocessing (applied to targets)

  • Stripped tashkil/harakat (diacritics) and tatweel; removed non-verbal tags ([laughter], [exhale], [inhale], [mumble], [cough], timestamps, …).
  • Kept dialectal consonants (گ ڨ چ پ ژ) — they encode real phonemes — and sentence punctuation. Output is undiacritized.
  • Filtered: dropped clips > 30 s (~10%; Whisper's encoder limit) and a few corrupt rows (12k-token transcripts). ~62% of rows had harakat, ~28% had non-verbal tags before cleaning. → 36,769 train / 932 test after filtering.

Training

  • Base: Qwen/Qwen3-ASR-0.6B-hf · full fine-tune (no LoRA)
  • Effective batch 16 · LR 1e-5 (warmup 500, cosine) · 6903 steps · best @ step None · ~102 min
  • Hardware: a single 32 GB GPU, bf16 autocast (fp32 weights + generate)
  • Metric: WER/CER on cleaned references (clean-text normalized)

Fine-tuning (reproduce)

The exact fine-tuning code is bundled in this repo (train_qwen.py, normalize.py, eval_hf_asr.py) plus requirements.txt. See FINETUNE.md for the full walkthrough + lessons learned. Trained on oddadmix/dialectal-arabic-lahgtna-v2-smaller-augmented (private) — swap in any HF audio dataset with audio + text columns. normalize.py is the shared text cleaning (strip tashkil + non-verbal tags, keep dialectal letters گ ڨ چ).

pip install -r requirements.txt        # recent transformers (qwen3_asr) + peft

python train_qwen.py --model_id Qwen/Qwen3-ASR-0.6B-hf \
  --dataset_name oddadmix/dialectal-arabic-lahgtna-v2-smaller-augmented --audio_column audio --text_column text \
  --eval_split test --language Arabic --strip_tashkil --strip_tags \
  --output_dir my-run

python eval_hf_asr.py --model_type qwen --model my-run   # WER / CER

Note: Qwen3-ASR's chat template drops the transcript during training — train_qwen.py builds the target manually with the prompt masked to -100 (see its DataCollator).

Usage

# needs transformers>=5.14 (ships the qwen3_asr architecture)
import torch, torchaudio
from transformers import AutoProcessor, Qwen3ASRForConditionalGeneration

repo = "oddadmix/qwen3-asr-0.6b-arabic-dialectal"
proc = AutoProcessor.from_pretrained(repo)
model = Qwen3ASRForConditionalGeneration.from_pretrained(
    repo, torch_dtype=torch.bfloat16).to("cuda").eval()

wav, sr = torchaudio.load("clip.wav")          # 16 kHz mono
inp = proc.apply_transcription_request(audio=wav.mean(0).numpy(),
        language="Arabic").to(model.device, model.dtype)
ids = model.generate(**inp, max_new_tokens=256)
print(proc.batch_decode(ids, skip_special_tokens=True)[0])

Learnings & notes

  • Data cleaning matters most: keeping dialectal letters + stripping tashkil/tags (rather than aggressive letter-folding) was key for a multi-dialect model.
  • Whisper fine-tunes furthest; the offline (full-context) models beat the streaming Nemotron on pure WER, though Nemotron has the best zero-shot (native Arabic) and offers streaming.
  • Blackwell (sm_120) GPU gotchas for the NeMo/Nemotron model: numba's RNNT loss needs numba==0.61.2 + NUMBA_CUDA_USE_NVIDIA_BINDING=1 + cuda-python<13 to emit sm_120 code, and fp32 (the numba loss can't take bf16). Nemotron 3.5 requires NeMo main (its EncDecRNNTBPEModelWithPrompt class isn't in any release) and a per-sample lang=ar prompt.

Limitations

  • Trained on augmented, partly synthetic multi-dialect data; real-world dialect coverage varies (Maghrebi is the hardest).
  • Output is undiacritized and lower-cased for Latin tokens.
  • Offline model (≤30 s chunks); not streaming.

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
a782a6b

0 моделей