Qwen3-ASR-1.7B-hf

Qwen3-ASR（Transformers原生）

概述

Qwen3-ASR系列包含Qwen3-ASR-1.7B和Qwen3-ASR-0.6B两款模型，支持52种语言和方言的语言识别与语音转写。两款模型均基于大规模语音训练数据和基础模型Qwen3-Omni的强大音频理解能力构建。1.7B版本在开源ASR模型中达到先进水平，性能可与最强的商业API相竞争。

主要能力

一体化识别：支持30种语言和22种中文方言的识别，包括多国和地区的英语口音。

高效快速：在复杂声学环境下实现高质量且鲁棒的识别。Qwen3-ASR-0.6B在128并发下达到2000倍吞吐量。两款模型均支持流式/离线统一推理，单模型即可处理长音频。

强制对齐：Qwen3-ForcedAligner-0.6B支持11种语言、最长5分钟语音的任意单位时间戳预测，精度超越基于端到端的强制对齐模型。

输入输出

支持的模型：Qwen3-ASR-1.7B-hf、Qwen3-ASR-0.6B-hf、Qwen3-ForcedAligner-0.6B-hf

支持的语言：中文、英语、粤语、阿拉伯语、德语、法语、西班牙语、葡萄牙语、印尼语、意大利语、韩语、俄语、泰语、越南语、日语、土耳其语、印地语、马来语、荷兰语、瑞典语、丹麦语、芬兰语、波兰语、捷克语、菲律宾语、波斯语、希腊语、匈牙利语、马其顿语、罗马尼亚语

支持的中文方言：安徽话、东北话、福建话、甘肃话、贵州话、河北话、河南话、湖北话、湖南话、江西话、宁夏话、山东话、陕西话、山西话、四川话、天津话、云南话、浙江话、粤语（香港）、粤语（广东）、吴语、闽南语

音频类型：语音、歌声、带背景音乐的歌曲

推理模式：离线/流式（ASR模型）、非自回归（强制对齐模型）

运行要求

Transformers版本：v5.13.0及以上原生支持

依赖库：日语处理需要nagisa，韩语处理需要soynlp

加速支持：ASR和强制对齐模型均支持torch.compile。在A100上，强制对齐模型加速约2.5倍，ASR生成在批量大小为4时加速约2.4倍。

基本用法

基础转录：使用apply_transcription_request函数处理音频转录请求，该函数会自动处理聊天模板格式。

强制语言指定：通过参数强制指定转录语言。

上下文/热词：通过提示词传递自由形式的上下文信息（如领域特定词汇、姓名或背景信息）以优化转录结果。

批量推理：传入音频路径列表和可选语言参数，一次调用可转录多个文件。

聊天模板：Qwen3 ASR也接受聊天模板输入。apply_transcription_request是apply_chat_template的便捷封装。

训练与微调：可将目标转写本放在助手轮次中，传递output_labels=True进行训练。音频和填充位置会自动掩码。

强制对齐（词级时间戳）：使用Qwen3ASRForTokenClassification从转录结果获取词级时间戳。先用ASR模型转录，再与强制对齐器对齐。

评估结果

在HuggingFace Open ASR排行榜上的词错误率（WER）：

Qwen3-ASR-1.7B-hf平均WER：5.59

Qwen3-ASR-0.6B-hf平均WER：6.31

限制

强制对齐功能仅支持11种语言：中文、英语、粤语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语。

许可证

原始模型卡片中未包含许可证信息。