/ Модель

Характеристики

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

Qwen3-ASR-0.6B-Khmer

Распознавание речиАудио → текст5 профессий

Компактная модель на базе Qwen3-ASR-0.6B для транскрибации кхмерской речи в текст.

7 644скачиваний за 30 дней16лайковвеса обновлены3 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

Qwen3-ASR-0.6B-Khmer — модель автоматического распознавания речи, созданная дообучением Qwen/Qwen3-ASR-0.6B компанией Seanghay. Она предназначена для транскрибации кхмерской речи: модель принимает аудио и выдаёт текст с распознанной речью. Модель семейства Qwen3-ASR имеет плотную архитектуру и 0,6 млрд параметров; для распознавания использован набор DDD-Cambodia/khmer-speech-dataset объёмом около 700 часов речи.

В тестах CER составил 1,96% на 1 000 фрагментах из домена обучения и 7,91% на 2 906 фрагментах вне него. Модель лучше всего подходит для чистой, заранее подготовленной речи на кхмерском языке; точность снижается на шумной, спонтанной и смешанной кхмерско-английской речи. Результат обычно не содержит пунктуации и имеет минимальную сегментацию, а в длинной речи с паузами и повторами возможны повторения фраз. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация чистой речи на кхмерском языке
  • создание текстовых расшифровок кхмерских аудиозаписей
  • распознавание кхмерской речи в подготовленных речевых материалах

Ограничения

Модель настроена преимущественно на чистую подготовленную кхмерскую речь; шум, спонтанная речь и переключение между кхмерским и английским снижают точность. Текст обычно выдаётся без пунктуации и с минимальной сегментацией, а длинная речь с паузами или повторами иногда приводит к дублированию фраз.

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-Khmer

A Khmer (ខ្មែរ) automatic speech recognition model, fine-tuned from Qwen/Qwen3-ASR-0.6B on ~700 hours of Khmer speech from the DDD-Cambodia/khmer-speech-dataset. It substantially improves Khmer transcription accuracy over the base model while keeping the compact 0.6B footprint.

Results

Character Error Rate (CER, lower is better). Khmer has no spaces between words, so CER is computed space-insensitive; the out-of-domain set is additionally normalized by removing punctuation.

Evaluation setClipsCER (corpus)CER (avg)Median CERPerfect (CER=0)
In-domain dev1,0001.96%1.95%0.65%49.2%
Out-of-domain2,9067.91%8.26%6.25%26.4%
  • CER (corpus) = total edit distance ÷ total reference characters (micro-average).
  • CER (avg) = mean of per-clip CER (macro-average).

Usage

Install the qwen-asr package (transformers backend):

pip install -U qwen-asr
import torch
from qwen_asr import Qwen3ASRModel

model = Qwen3ASRModel.from_pretrained(
    "seanghay/Qwen3-ASR-0.6B-Khmer",
    dtype=torch.bfloat16,
    device_map="cuda:0",
    max_inference_batch_size=32,
    max_new_tokens=256,  # increase for long audio to avoid truncation
)

results = model.transcribe(
    audio="path/to/khmer.wav",  # local path, URL, base64, or (np.ndarray, sr)
)

print(results[0].text)

Audio is resampled to 16 kHz mono internally. Long recordings are automatically chunked; for long clips set a larger max_new_tokens so the transcript is not cut off.

Training

Base modelQwen/Qwen3-ASR-0.6B
LanguageKhmer (km)
Training dataDDD-Cambodia/khmer-speech-dataset (~700 h, ~384k clips)
Epochs3 (35,997 steps)
Effective batch size32 (per-device 4 × grad-accum 8)
Learning rate2e-5, linear schedule with warmup
Precisionbf16
Hardware1× NVIDIA RTX 3090 (24 GB)
Final eval loss0.040

The model is trained to emit a language tag followed by the transcript (language Khmer<asr_text>…); the qwen-asr package parses this automatically.

Limitations

  • Tuned primarily for read/clean Khmer speech. Accuracy degrades on noisy, spontaneous, or heavily code-switched (Khmer–English) technical speech, where English terms may be transliterated phonetically into Khmer script.
  • Output is unpunctuated / minimally segmented Khmer text.
  • As with most ASR models, very long or hesitant/repetitive speech can occasionally produce repeated phrases.

License

Released under the Apache-2.0 license, inheriting the license of the base Qwen3-ASR-0.6B model.

Acknowledgements

Built on Qwen3-ASR by the Alibaba Qwen team.

Citation

If you use this model, please cite:

@misc{seanghay2026qwen3asrkhmer,
  title  = {Qwen3-ASR-0.6B-Khmer},
  author = {Seanghay},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/seanghay/Qwen3-ASR-0.6B-Khmer}}
}

This model is fine-tuned from Qwen3-ASR:

@misc{qwen3asr,
  title  = {Qwen3-ASR},
  author = {Qwen Team},
  year   = {2025},
  url    = {https://github.com/QwenLM/Qwen3-ASR}
}

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
351f1cc

0 моделей