Qwen3-ASR-1.7B-ft-af51-cap900-1106

Это дообученная версия Qwen/Qwen3-ASR-1.7B (2.04B параметров по метаданным) для automatic-speech-recognition. Файнтюн выполнен на 51 языке с Sunbird speech-to-text pipeline; в карточке указан run Qwen3-ASR-1.7B-full-lr2e-05-ep5-af51-1106-c8a8. Модель принимает аудио и возвращает текст, а при неизвестном языке сначала называет его.

✅ Ключевые особенности

• 🌍 В списке языков есть Luganda, Swahili, Yoruba, Zulu, Hausa, Amharic, Afrikaans, English и French.
• ✅ Для лучшего результата язык передаётся явно через language=; без него модель сначала определяет язык.
• 💻 Работает через пакет qwen-asr==0.0.6; нужен transformers 4.57.6.
• ⭐ Лучший чекпоинт — checkpoint-1640, eval_WER_mean = 0.4334.
• 🔥 Для декодирования как при обучении нужен FlashAttention-2 и attn_implementation="flash_attention_2".

▶ Пример

import torch
from qwen_asr import Qwen3ASRModel
from qwen_asr.inference.utils import SUPPORTED_LANGUAGES
SUPPORTED_LANGUAGES.append('Luganda')
model = Qwen3ASRModel.from_pretrained('huwenjie333/Qwen3-ASR-1.7B-ft-af51-cap900-1106', dtype=torch.bfloat16, device_map='cuda:0')
print(model.transcribe(audio='audio.wav', language='Luganda')[0].text)

Подробнее

Лучший чекпоинт: checkpoint-1640, eval_WER_mean = 0.4334.
Установка: qwen-asr==0.0.6, transformers 4.57.6.
Для декодирования как при обучении нужен FlashAttention-2 и attn_implementation="flash_attention_2".
Без указания языка модель сначала определяет его сама.