/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-0.6B-hf
Опубликована
3 сен 2026

typhoon-asr-qwen-0.6b-ctx

Распознавание речиАудио → текст4 профессии

Компактная тайская модель Qwen для транскрибации речи с контекстной подсказкой имён и терминов.

72 880скачиваний за 30 дней1лайквеса обновлены8 сен 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

typhoon-ai/typhoon-asr-qwen-0.6b-ctx — тайская модель распознавания речи, разработанная typhoon-ai как дообученная версия Qwen/Qwen3-ASR-0.6B-hf с применением LoRA; веса адаптера объединены с базовой моделью. Она принимает аудио и выдаёт текстовую транскрипцию, поддерживая контекстную подсказку через список имён и терминов в системном сообщении: распознанные слова записываются в заданном написании, а не произнесённые элементы списка отфильтровываются. Рекомендуемый формат — список терминов через пробел и отдельная строка Thai; без списка достаточно указать Thai. По README, список до 50 элементов — оптимальный сценарий; качество контекстного распознавания зависит от его длины.

Модель имеет плотную архитектуру Qwen3-ASR и около 0,80 млрд параметров. В описанных тестах она улучшает распознавание относительно исходной Qwen3-ASR-1.7B, особенно на внешнем наборе TVSpeech, хотя уступает более крупной версии typhoon-qwen-1.7b-ctx. Модель предназначена для тайской речи; метаданные указывают аудиовход и задачу automatic-speech-recognition. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • транскрибация тайской речи
  • распознавание имён и специальных терминов в аудиозаписях
  • транскрибация тайских телепередач и разговоров
  • контекстное распознавание речи по списку известных имён
  • аудиорасшифровка с заданным написанием имён

Ограничения

Качество распознавания снижается с увеличением списка контекстных терминов; оптимальный размер списка — до 50 элементов. В тестах 0,6-миллиардная версия уступает варианту typhoon-qwen-1.7b-ctx.

Для каких профессий подходит4

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

typhoon-asr-qwen-0.6b-ctx

Thai ASR with prompt-based contextual biasing: a LoRA fine-tune (merged, 0.80B params) of Qwen/Qwen3-ASR-0.6B-hf that accepts a list of names/terms in the system prompt, boosts the ones that are actually spoken, writes them with the listed spelling, and ignores the rest (distractor false alarm rate ≤.0004; non-speech probe 5/5). The economical tier: 2.6× smaller than the 1.7b for ~.09 recall.

Results

Plain transcription (CER%, same protocol: gigaspeech2 bench in-domain / TVSpeech out-of-domain 30-s talk-show):

modelparamsgigaspeech2 CER ↓TVSpeech CER ↓
typhoon-asr-qwen-1.7b-ctx2.07B4.866.87
typhoon-asr-qwen-0.6b-ctx0.80B5.06†7.28
Qwen3-ASR-1.7B (original)2.07B6.0910.63
Qwen3-ASR-0.6B (original)0.80B8.2011.45
typhoon-whisper-large-v31.55B4.696.32
typhoon-whisper-medium769M4.817.66
typhoon-asr-realtime-nemo-ctc135M8.5413.46
typhoon-asr-realtime (RNN-T)109M6.899.92
nectec/Pathumma-whisper-th-large-v31.55B5.8410.36
biodatlab/whisper-th-large-v3-combined1.55B15.78†14.91

† single-digit repetition-loop utterances dominate (0.6b: one utt; Thonburian: three, excluding them 8.39).

Contextual biasing — vs every route we measured

Same benchmark (wayu-ai/thai-contextasr-bench), same frozen scorer. Cells = CER% ↓ / entity recall ↑. Whisper models take the list as a decoder prompt (zero-shot); the two typhoon-qwen models are LoRA fine-tunes; typhoon-asr-realtime-nemo-ctc spots-and-splices at decode time.

typhoon-asr-qwen-1.7b-ctxtyphoon-asr-qwen-0.6b-ctxtyphoon-asr-realtime-nemo-ctctyphoon-whisper-medium (ctx)typhoon-whisper-large-v3nectec/Pathumma-whisper-th-large-v3biodatlab/whisper-th-large-v3-combinedQwen3-ASR-1.7B (original)
params2.07B0.80B135M769M1.55B1.55B1.55B2.07B
none (baseline)5.11 / .4415.71 / .3979.56 / .1587.05 / .3834.83 / .4595.23 / .4165.68 / .4825.25 / .396
bias@0 (gold)3.39 / .7544.01 / .6685.97 / .8524.92 / .658N/A3.40 / .8236.37 / .8424.48 / .644
bias@104.02 / .7174.91 / .6077.07 / .8498.09 / .597N/A6.01 / .7728.72 / .7835.97 / .603
bias@504.30 / .6405.25 / .5307.51 / .839N/AN/AN/AN/A6.71 / .522
bias@5004.98 / .4835.96 / .41111.12 / .757N/AN/AN/AN/A5.87 / .413
distractor false alarms ↓≤.0004≤.0004.003–.006.003—.0003.0033.0125

N/A: typhoon-whisper-large-v3's prompt pathway collapses on any list (echo loops, CER 200+); the whisper fine-tunes cannot take lists beyond ~10–15 entries because Whisper's 448-token decoder window is shared between the prompt and the transcript. Only the typhoon-qwen pair and the typhoon-asr-realtime-nemo-ctc spotter survive large lists.

Recall and CER vs bias-list size across systems

Usage

import torch, soundfile as sf
from transformers import AutoModelForMultimodalLM, AutoProcessor  # transformers>=5.13

mid = "typhoon-ai/typhoon-asr-qwen-0.6b-ctx"
processor = AutoProcessor.from_pretrained(mid)
model = AutoModelForMultimodalLM.from_pretrained(mid, dtype=torch.bfloat16,
                                                 device_map="cuda").eval()
audio, sr = sf.read("clip.wav", dtype="float32")   # 16 kHz mono

def transcribe(system_text):
    msgs = [{"role": "system", "content": [{"type": "text", "text": system_text}]},
            {"role": "user",   "content": [{"type": "audio", "audio": audio}]}]
    inputs = processor.apply_chat_template([msgs], tokenize=True,
        add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
    out = model.generate(**inputs, max_new_tokens=440)
    out = out[:, inputs["input_ids"].shape[1]:]
    return processor.decode(out, return_format="transcription_only")[0].strip()

print(transcribe("Thai"))                                   # plain ASR
print(transcribe("วโรรส Facebook ก้าวไกล\nThai"))            # with a bias list

Prompt format is strict: the system message is the space-joined bias list, then Thai on its own line — or just Thai with no list. Recall decays gracefully with list length; ≤50 entries is the sweet spot.

License & attribution

Apache-2.0 — LoRA-merged weights of Qwen/Qwen3-ASR-0.6B-hf (Apache-2.0). Trained on ~10,800 hours of Thai speech (GigaSpeech2-th); see the Typhoon ASR Real-time technical report.

Acknowledgements

We thank Kunat Pipatanakul and Potsawee Manakul (wayu-ai) for their valuable feedback.

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
4794507

0 моделей