/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-ASR-0.6B
Библиотека
transformers
Опубликована
10 июл 2026

Qwen3-ASR-0.6B-Khmer-v4

Распознавание речиАудио → текст

Дообученная модель Qwen3-ASR-0.6B для транскрибации короткой кхмерской речи в текст на кхмерском письме.

11скачиваний за 30 дней0лайковвеса обновлены10 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-v4 — модель распознавания речи на кхмерском языке, разработанная Seanghay и дообученная на базе Qwen3-ASR-0.6B. Модель размером 0,6 млрд параметров преобразует кхмерскую речь в текст на кхмерском письме; для распознавания использует аудио на входе и выдаёт текст. Опубликованные веса представлены в формате safetensors, библиотека для работы — Transformers, лицензия — Apache-2.0.

Модель предназначена для транскрибации короткой и читаемой кхмерской речи. На тестовом наборе из 145 высказываний автор сообщает CER 7,92% без удаления знаков препинания и 5,77% после их удаления; точное совпадение без пунктуации составило 40,7%. Для длинных записей рекомендуется делить аудио на фрагменты примерно по 15 секунд: на длинных фрагментах и неоднозначной речи возможны циклы повторов. Очень короткие или беззвучные фрагменты могут приводить к галлюцинациям, а шумная, дальняя и смешанная кхмерско-английская речь выходит за пределы основного распределения обучения. Модель часто пропускает конечный знак препинания ។.

Сценарии применения

  • транскрибация коротких записей на кхмерском языке
  • распознавание кхмерской речи в аудиосообщениях
  • создание текстовых расшифровок кхмерских высказываний

Ограничения

На длинных фрагментах и неоднозначной речи возможны циклы повторов; рекомендуется делить запись на фрагменты примерно по 15 секунд. Очень короткие или беззвучные фрагменты могут вызывать галлюцинации, а шумная, дальняя и смешанная кхмерско-английская речь недостаточно представлена в обучении; модель часто пропускает конечную пунктуацию.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-ASR-0.6B-Khmer-v4

A 0.6B-parameter Khmer automatic speech recognition (ASR) model, fine-tuned from Qwen3-ASR-0.6B on a large Khmer speech corpus with on-the-fly audio augmentation. It transcribes Khmer audio into Khmer script.

  • Base model: Qwen3-ASR-0.6B (qwen3_asr / Qwen3ASRForConditionalGeneration)
  • Language: Khmer (km)
  • Task: Automatic Speech Recognition
  • Selected checkpoint: step 68000 (~3.67 epochs). This is the lowest dev-set eval_loss checkpoint (0.0407) of the augmented run.

Evaluation

Evaluated on a held-out set of 145 Khmer utterances. The metric is Character Error Rate (CER), computed whitespace-insensitive (all whitespace stripped and text NFC-normalized before the character-level edit distance). We report two variants: raw, and with punctuation removed (Unicode categories P/S, which covers the Khmer full-stop ។ and other marks that carry little acoustic signal).

MetricThis model (step 68000)
CER (ws-insensitive)7.92%
CER (no punctuation)5.77%
Exact match (no punctuation)40.7%

The raw CER is dominated by the trailing Khmer full-stop ។, which the model often omits; removing punctuation raises exact-match to ~41% and gives a cleaner view of true recognition quality.

Usage

from qwen_asr import Qwen3ASRModel

asr = Qwen3ASRModel.from_pretrained(
    "seanghay/Qwen3-ASR-0.6B-Khmer-v4",
    max_new_tokens=256,
)
asr.model.eval()

results = asr.transcribe("audio.wav", language="Khmer")
print(results[0].text)

Recommended decoding for longer audio

This is a small (0.6B) model trained on ~30s windows. Feeding a whole long file at once can trigger repetition loops. Pre-split the audio at silence boundaries into ~15s chunks and cap generation length:

from qwen_asr.inference.utils import SAMPLE_RATE, normalize_audios, split_audio_into_chunks

wav = normalize_audios("long_audio.ogg")[0]                 # mono float32 @ 16 kHz
parts = split_audio_into_chunks(wav, SAMPLE_RATE, max_chunk_sec=15)
chunks = [(c, SAMPLE_RATE) for c, _ in parts]

results = asr.transcribe(chunks, language="Khmer")
text = " ".join(r.text.strip() for r in results if r.text.strip())
print(text)

Training

  • Base: Qwen3-ASR-0.6B
  • Data: ~592k Khmer speech–text pairs (train) / 1,000 held-out (dev)
  • Augmentation: on-the-fly audio augmentation on the train split (p=0.7); eval kept clean
  • Epochs: 4 (this checkpoint is step 68000 of 74036, ~3.67 epochs)
  • Effective batch size: 32 (per-device 4 × grad-accum 8)
  • Learning rate: 2e-5
  • Precision: bf16
  • Hardware: single 24 GB GPU (RTX 3090)

Limitations

  • Repetition loops can occur on long single chunks or acoustically ambiguous segments (dense Khmer–English code-switching). Use ~15s chunking to mitigate.
  • Short/silent chunks (< ~1s) may be hallucinated into a common phrase; drop sub-second tail chunks before transcribing.
  • Trained primarily on read/short-form Khmer speech; far-field, noisy, or heavily code-switched audio is out of distribution.
  • Punctuation (esp. the sentence-final ។) is often omitted.

Files

Inference weights only (model.safetensors, config, tokenizer). Optimizer and training state are not included, so this repo cannot resume training.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
595b075

0 моделей