/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-ASR-0.6B
Библиотека
qwen-asr
Опубликована
29 июл 2026

orato-asr-hindi-v1

Распознавание речиАудио → текст3 профессии

Дообученная модель Orato на базе Qwen3-ASR-0.6B для транскрибации звонков на хинди, английском и их смешанной разговорной речи.

52скачиваний за 30 дней30лайковвеса обновлены29 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

Orato ASR Hindi v1 — модель распознавания речи, разработанная Orato как полнопараметрическая дообученная версия Qwen/Qwen3-ASR-0.6B. При дообучении обновлялись декодер и проектор, а аудиоэнкодер оставался замороженным. Модель принимает аудио и выдаёт текст; она рассчитана на хинди, английский и переключение между ними в разговорной речи.

Модель предназначена для транскрибации звонков в сценариях записи на приём, поддержки, страхования и продаж. В тестах авторов она улучшила WER относительно базовой модели на наборах Kathbath, Gramvaani и Lahaja, особенно на данных, близких к телефонным разговорам и разговорной речи. В README указана бета-стадия; оценка за пределами аудио звонков на хинди не проводилась.

Для загрузки требуется библиотека qwen-asr и класс Qwen3ASRModel; README предупреждает, что загрузка через Transformers AutoModel может работать некорректно. Метаданные указывают формат safetensors и лицензию Apache-2.0, однако авторы сообщают, что подтверждение прав на часть обучающих данных и проверка согласия и персональных данных ещё продолжаются; выпуск предназначен для внутренней и бета-оценки.

Сценарии применения

  • транскрибация телефонных звонков на хинди
  • распознавание смешанной речи на хинди и английском
  • создание расшифровок звонков службы поддержки
  • транскрибация разговоров о записи на приём
  • распознавание речи в звонках по страхованию и продажам

Ограничения

Проверена на аудио звонков на хинди и не оценивалась за пределами этого домена; модель обозначена авторами как бета-версия. Подтверждение коммерческих прав на часть открытых обучающих датасетов и проверка согласия и персональных данных для собственных записей ещё продолжаются.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Orato ASR — Hindi v1

Full-parameter supervised fine-tune of Qwen/Qwen3-ASR-0.6B (audio tower frozen) on ~1,000 hours of Hindi/English/Hinglish calling-domain audio (appointment booking, support, insurance, sales).

Training

  • Method: full SFT, decoder + projector updated, audio encoder frozen
  • Params: ~0.8B total, ~0.6B trained (audio tower frozen)
  • Data: ~1,000 hours, calling-domain Hindi/Hinglish
  • LR 1e-5, cosine schedule, warmup 0.03, max_grad_norm 1.0, 1 epoch, 1x H100

Evaluation (base vs. fine-tuned, same held-out sets)

Base vs fine-tuned WER

BenchmarkBase WERFine-tuned WERRelative improvement
Kathbath15.24%11.49%24.6%
Gramvaani39.07%37.66%3.6%
Lahaja25.09%18.68%25.5%
Fleurs19.12%16.58%13.3%

Fine-tuning improved WER on every benchmark tested, most on the benchmarks closest to the real product domain (telephony, accents, conversational speech).

Comparison with the Hindi ASR market

Orato ASR vs Hindi ASR market

SystemFLEURSCommonVoiceIndicTTSKathbathKathbath-HardGramvaaniLahaja
Orato ASR16.9820.6313.2311.4913.2137.6618.68
Azure STT24.3014.60—13.6015.1042.3028.60
Deepgram17.1420.0413.65————
ElevenLabs Scribe11.9916.5916.06————
Google Chirp——————22.30
Google STT19.4020.8018.3014.3016.7059.90—
IndicASR M1 (Conformer-L)——————19.40
IndicWav2Vec————16.2042.10—
IndicWhisper11.4015.007.6010.3012.0026.80—
MMS (300M)——————34.40
Nvidia Conformer-M———14.0015.6041.30—
Sarvam Saarika16.0018.2115.37————
Whisper large-v3 (1.55B)——————32.40

Sources: AI4Bharat Vistaar benchmark suite (IndicWhisper, Nvidia Conformer-M, IndicWav2Vec, Google STT, Azure STT on FLEURS/CommonVoice/IndicTTS/Kathbath/ Kathbath-Hard/Gramvaani); AI4Bharat Lahaja benchmark; third-party published WER for Sarvam Saarika/Deepgram/ElevenLabs Scribe on FLEURS/CommonVoice/IndicTTS. Normalization may differ slightly across sources — treat as directional.

Loading

import qwen_asr, torch
wrapper = qwen_asr.Qwen3ASRModel.from_pretrained(
    "tryorato/orato-asr-hindi-v1", dtype=torch.bfloat16, device_map=None,
    attn_implementation="sdpa",
)
wrapper.model = wrapper.model.to("cuda")
result = wrapper.transcribe(audio=(wav, 16000), language="Hindi")

Must load via qwen_asr.Qwen3ASRModel, not transformers.AutoModel — this is the non--hf wrapper checkpoint; loading it as a plain Transformers model will silently misbehave.

Intended use / limitations

Beta. Evaluated on Hindi calling-domain audio; not evaluated outside that domain. Access is currently private.

Data rights

Training data includes a mix of public research datasets — Rasa Hindi, Gram Vaani, MUCS — used under their respective published licenses, plus proprietary Hindi/Hinglish calling-domain audio collected by Orato.

  • No raw audio, transcripts, or personally identifiable data are included in this repository — only model weights are published.
  • Commercial-use licensing confirmation for the public source datasets, and consent/PII review for the proprietary calling data, are in progress. Released for internal/beta evaluation only until that review completes.
  • This repository does not convey redistribution rights to any underlying training data.

Как запустить

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

GPU в ailist

Универсальный рантайм · qwen-asr

Нельзя запустить

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

Ревизия весов
5d97894

0 моделей