Qwen3-ASR-1.7B

Qwen3-ASR

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Qwen3-Omni基础模型的强大音频理解能力构建。实验表明，1.7B版本在开源ASR模型中达到领先水平，性能可与最强的商业API相媲美。

主要功能

一体化识别：支持30种语言和22种中文方言的识别，同时支持多个国家和地区的英语口音。

高质量快速识别：在复杂声学环境和挑战性文本模式下保持高质量和稳健的识别能力。1.7B版本在开源和内部基准测试中均表现出色。0.6B版本在128并发下达到2000倍吞吐量，实现单模型流式/离线统一推理，支持长音频转写。

强制对齐方案：推出Qwen3-ForcedAligner-0.6B，支持11种语言、最长5分钟语音的任意单元时间戳预测，精度超越端到端强制对齐模型。

推理工具包：开源模型架构和权重，提供支持vLLM批量推理、异步服务、流式推理、时间戳预测等功能的专业推理框架。

模型规格

支持语言：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（香港口音）、粤语（广东口音）、吴语、闽南语。

音频类型：语音、歌唱、带背景音乐的歌曲。

推理模式：离线/流式。

输入输出

输入格式：本地路径、URL、base64数据或（numpy数组，采样率）元组。

输出内容：转写文本，可选时间戳信息。

运行要求

Python 3.12环境。

推荐使用qwen-asr Python包或官方Docker镜像。

推荐使用FlashAttention 2以减少GPU显存占用并加速推理，尤其适用于长输入和大批量处理。

如机器RAM少于96GB且CPU核心较多，需运行特定命令进行配置。

硬件需兼容FlashAttention 2，仅支持在torch.float16或torch.bfloat16下使用。

基本用法

安装qwen-asr包即可开始使用。包提供transformers后端和vLLM后端两种选择。transformers后端适合快速上手，vLLM后端提供更快的推理速度和流式支持。

通过Qwen3ASRModel.from_pretrained()加载模型进行快速推理。音频输入可使用本地路径、URL、base64数据或numpy数组格式，支持批量推理。

如需返回时间戳，可传入强制对齐器及其初始化参数。

流式推理目前仅支持vLLM后端，不支持批量推理或时间戳返回。

Docker部署方式：拉取qwenllm/qwen3-asr镜像，安装GPU驱动并下载模型文件即可运行。

限制

流式推理不支持批量推理。

流式推理不支持时间戳返回。

强制对齐功能需要额外加载Qwen3-ForcedAligner-0.6B模型。

许可证

原文未提供许可证相关信息。