К содержимому
Аудио

Qwen3-ForcedAligner-Ultra

сверхточная расстановка таймингов слов по аудио

2 мин чтенияобновлено

Модель решает задачу forced alignment (привязки готового текста к аудиозаписи с точными временными метками начала и конца каждого слова). Она построена на базе Qwen/Qwen3-ForcedAligner-0.6B (общий размер 0.92B параметров) и дообучена на 70 часах мультиязычной речи с поддержкой 11 языков, включая русский. Главная особенность — опциональный модуль Local Head, который преодолевает встроенный шаг сетки Qwen в 80 мс и уточняет границы слов с шагом 10 мс в пределах ±60 мс. Пригодится разработчикам систем субтитров, дубляжа и пайплайнов подготовки речевых датасетов.

Ключевые особенности

  • Высокая точность границ: снижает среднюю абсолютную ошибку (MAE) со 124.95 мс до 34.95 мс, а с подключённым модулем Local Head — до 26.59 мс (78.32% границ попадают в окно ≤25 мс).
  • Устойчивость к неточностям текста: обучалась на примерах с пропусками слов, ошибками распознавания (ASR), шумом, реверберацией и изменением скорости речи.
  • 11 языков и смешанная речь: поддерживает русский, английский, китайский, французский, немецкий, итальянский, японский, корейский, испанский, португальский и кантонский, включая переключение языков внутри фразы (code-switching).
  • Совместимость с официальным API: без Local Head запускается напрямую через стандартную библиотеку qwen-asr без модификации кода.

Что можно сделать

  • Генерация пословных субтитров: расставлять тайминги для караоке-субтитров и видеороликов даже при наличии фонового шума или неидеальной расшифровки.
  • Очистка и разметка датасетов: автоматически нарезать длинные аудиозаписи на сегменты по словам или восстанавливать тайминги после транскрибации с ошибками ASR.
  • Инструменты для дубляжа и озвучки: синхронизировать переведённые реплики с оригинальной дорожкой с точностью до десятков миллисекунд.

Пример

import torch
from qwen_asr import Qwen3ForcedAligner

aligner = Qwen3ForcedAligner.from_pretrained(
    "fengjay01/Qwen3-ForcedAligner-Ultra", dtype=torch.bfloat16, device_map="cuda:0"
)
results = aligner.align(audio="speech.wav", text="Пример текста для разметки.", language="Russian")
for word in results[0]:
    print(word.text, word.start_time, word.end_time)
Подробнее • Бенчмарк (6.5 ч аудио, 9 языков): доля ошибок >1000 мс снижена с 1.565% до 0.195%, точность ≤10 мс выросла с 22.09% до 47.11% (с Local Head).
• Скорость на NVIDIA GeForce RTX 5070 Ti: RTFx 150x в базовом режиме и 95x с Local Head.
• Обучение: мультиязычный LoRA-файнтюн с усреднением трёх соседних чекпоинтов; кантонский и португальский сохраняют базовую поддержку Qwen и требуют проверки под задачу.
Обсудить Telegram 0 28

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.7 GB · готовые файлы2.4 GB
  • FP8 / INT8рекомендуемвеса 0.9 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # fengjay01/Qwen3-ForcedAligner-Ultra
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download fengjay01/Qwen3-ForcedAligner-Ultra --local-dir ~/models/Qwen3-ForcedAligner-Ultra
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-ForcedAligner-Ultra
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3-ForcedAligner-0.6B

Новые посты про версии Qwen3-ForcedAligner-0.6B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

fengjay01/Qwen3-ForcedAligner-Ultra
Автор
fengjay01
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии