Qwen3-ASR-0.6B-hf

# Qwen3-ASR 模型卡片

## 概述

Qwen3-ASR系列包含**Qwen3-ASR-1.7B**和**Qwen3-ASR-0.6B**两个版本，支持52种语言和方言的语音识别与语言识别。两个模型均基于大规模语音训练数据构建，并继承了基础模型Qwen3-Omni强大的音频理解能力。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闭源API相媲美。

## 主要能力

• *全能识别**：支持30种语言和22种中文方言的语音识别，包括多国和地区的英语口音。

• *高效快速**：在复杂声学环境下具有高质量且鲁棒的识别能力。Qwen3-ASR-0.6B在并发128时达到2000倍吞吐量。两个模型均支持流式/离线统一推理，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。

## 支持的语言和方言

• *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

• *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

## 输入输出

• *输入**：音频（语音、歌唱、带背景音乐的歌曲）

• *输出**：文字转录、词级时间戳（使用强制对齐模型）

运行要求

• 依赖Transformers库，版本需为v5.13.0或更高
• 日语时间戳预测需安装nagisa：pip install nagisa
• 韩语时间戳预测需安装soynlp：pip install soynlp
• 支持torch.compile加速（A100 GPU上强制对齐模型提速约2.5倍，ASR生成提速约2.4倍，批量大小为4）

基本用法

• *转录**：使用Transformers库提供的转录接口

• *强制语言指定**：可强制指定转录语言

• *上下文/热词**：可通过提示传入自由形式的上下文信息（如领域特定词汇、姓名或背景信息）以优化转录效果

• *批量推理**：支持传入音频路径列表和可选语言参数，一次调用转录多个文件

• *聊天模板**：支持聊天模板输入

• *训练/微调**：可使用模型输出的损失进行训练，将目标转录文本放入助手回合并设置output labels=True

• *强制对齐**：使用Qwen3ASRForTokenClassification获取词级时间戳，需先使用ASR模型转录，再使用强制对齐模型进行对齐

## 性能评估

在HuggingFace Open ASR Leaderboard上的词错误率（WER）表现：

| 模型 | 平均WER | AMI | Earnings22 | GigaSpeech | LS Clean | LS Other | SPGISpeech | VoxPopuli |

|------|---------|-----|------------|------------|----------|----------|------------|-----------|

| Qwen3-ASR-1.7B | 5.59 | 9.26 | 9.88 | 7.25 | 1.24 | 2.92 | 2.58 | 5.99 |

| Qwen3-ASR-0.6B | 6.31 | 10.57 | 10.72 | 7.65 | 1.69 | 3.97 | 2.74 | 6.80 |

限制

• 强制对齐功能仅支持11种语言：中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语
• 强制对齐功能最长支持5分钟语音

许可证

请参考模型在HuggingFace Hub上的具体许可证信息。