Qwen3-ASR-0.6B

Это неофициальная конвертация Qwen/Qwen3-ASR-0.6B от ling0322 в формат библиотеки libwaifu: манифест и веса в float16. Внутри — аудиобашня и декодер Qwen3-0.6B, всего 782 млн параметров. Модель распознаёт речь на 30 языках, включая русский, и может определять язык сама или принимать его на вход.

🚀 Ключевые особенности

• 💯 30 языков, включая русский, английский, китайский и японский; язык можно указать вручную или доверить модели.
• 👀 Можно передать предложение контекста, чтобы помочь распознавать имена.
• 🔥 Веса в float16: 1,56 ГБ, 782 млн параметров; запуск на GPU и CPU.
• 🚀 Проверка на RTX 5060 Ti: относительная ошибка энкодера 0,18–0,49%, токены совпали с float32-референсом.
• ⛔ Без таймстемпов, стриминга и батчинга; это не официальный продукт Qwen.

👀 Пример

cargo run --release -p waifu-tools --bin transcribe -- qwen3-asr.yaml speech.wav
cargo run --release -p waifu-tools --bin transcribe -- qwen3-asr.yaml speech.wav English

Подробнее

Формат: манифест qwen3-asr.yaml, веса qwen3-asr.safetensors (1,56 ГБ), токенизатор.
Скорость на RTX 5060 Ti: чтение пакета — 0,6 с, запись 13,75-секундной записи — 0,36 с.
Отличия от upstream: half вместо bfloat16, внимание в пределах 8-секундных окон; таймстемпы, стриминг и батчи не портированы.
Лицензия Apache 2.0, это изменённая копия, не официальный продукт Qwen.