/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Своя лицензия
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Опубликована
9 мая 2026

Qwen3-ASR-Nepali

Распознавание речиАудио → текст5 профессий

Дообученная модель Qwen3-ASR-1.7B распознаёт непальскую речь и преобразует аудио в текст.

104скачиваний за 30 дней2лайкавеса обновлены28 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-Nepali — дообученная Siddhant Skarki модель Qwen3-ASR-1.7B для автоматического распознавания непальской речи и транскрибации аудио. Это плотная модель архитектуры Qwen3ASRForConditionalGeneration; в репозитории представлены веса safetensors. Обучение проводилось примерно на 157 часах общедоступной непальской речи, включая данные OpenSLR SLR54.

По результатам оценки на трёх тестовых наборах, не использованных при обучении, модель показала средний WER 41,4% среди восьми проверенных открытых моделей. Она особенно хорошо справилась с разговорной речью IndicVoices-R и синтетической речью OpenSLR-43, а на чистой читаемой речи FLEURS уступила Meta MMS-1B. WER заметно различался между наборами, поэтому качество может зависеть от типа речи и набора данных.

Лицензия указана как other; конкретные условия использования следует проверить в репозитории модели. Для загрузки в README приведён пример с библиотекой qwen_asr и PyTorch, с размещением модели на CUDA.

Сценарии применения

  • транскрибация непальских разговоров
  • распознавание спонтанной непальской речи
  • расшифровка записей на непальском языке
  • транскрибация синтетической непальской речи

Ограничения

WER существенно зависит от типа тестовых данных; на чистой читаемой речи FLEURS модель уступила Meta MMS-1B. Лицензия обозначена как other, поэтому перед использованием следует проверить её конкретные условия.

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-Nepali

Fine-tuned Qwen3-ASR-1.7B for Nepali automatic speech recognition.

Best average WER among 8 tested open-source models across 3 cross-dataset benchmarks. Trained on 157 hours of public Nepali speech data for approximately $7 compute.

Benchmark Results

Cross-dataset evaluation on 3 diverse Nepali speech benchmarks, 100 samples each. None of these datasets were used during training.

ModelFLEURSIndicVoices-ROpenSLR-43Average
Qwen3-ASR-Nepali (ours)37.0%55.8%31.4%41.4%
Meta MMS-1B (npi)33.6%62.4%40.5%45.5%
Whisper large-v394.0%96.7%105.8%98.8%
Whisper-small-Nepali (amitpant7)64.5%77.7%2.3%*48.2%
wav2vec2-xlsr-300m (shniranjan)43.3%59.5%33.9%*45.5%
wav2vec2-nepali (anish)54.3%73.7%4.6%*44.2%
wav2vec2-xlsr (gagan)70.8%86.1%5.0%*54.0%
Qwen3-ASR-0.6B Base116.0%112.5%100.4%109.6%

Models marked with * show anomalously low OpenSLR-43 WER despite high WER on other datasets, suggesting dataset-specific overfitting or training-set overlap.

Datasets:

  • FLEURS — Clean read speech (Google)
  • IndicVoices-R — Spontaneous conversational speech, 2060 speakers (AI4Bharat, NeurIPS 2024)
  • OpenSLR-43 — TTS-generated synthetic speech

Key Results

  • #1 on spontaneous speech — beats MMS-1B by 6.6 points on IndicVoices-R
  • #1 on synthetic speech — beats MMS-1B by 9.1 points on OpenSLR-43
  • #2 on clean read speech — 3.4 points behind MMS-1B on FLEURS
  • Best macro-average WER (41.4%) among all tested models

How to Use

from qwen_asr import Qwen3ASRModel
import torch

model = Qwen3ASRModel.from_pretrained(
    "sidskarki/Qwen3-ASR-Nepali",
    dtype=torch.float16,
    device_map="cuda"
)

result = model.transcribe("audio.wav")
print(result[0].text)

Training Details

Base modelQwen3-ASR-1.7B
Training dataOpenSLR-54 (157h Nepali read speech, ~37K utterances)
HardwareA100 80GB, single GPU
Best checkpointStep 2000
Batch size16 (effective 128 with gradient accumulation)
Learning rate2e-5, 3 epochs
Compute cost~$7

Whisper Evaluation Bug

During benchmarking, we discovered that prior Whisper evaluations for Nepali were affected by a float16 dtype bug. Loading Whisper in float16 causes a dtype mismatch with the float32 processor output, and benchmark scripts using except: pass silently produce empty predictions, giving 100% WER. After fixing this (loading in float32), Whisper large-v3 produces Nepali text but still has high WER due to word boundary and spelling issues.

Links

Citation

@misc{karki2026nepali_asr,
  author = {Karki, Siddhant Singh},
  title = {Nepali ASR: Fine-tuning Qwen3-ASR with Cross-Dataset Evaluation},
  year = {2026},
  url = {https://github.com/sidskarkii/nepali-asr}
}

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
6ae9dd5

0 моделей