К содержимому
Другое

Qwen3-ASR-1.7B (FP8 W8A8)

быстрая квантованная модель для распознавания речи

2 мин чтенияобновлено

Модель представляет собой оптимизированную квантованную версию (FP8 W8A8) современной языково-акустической системы распознавания речи Qwen3-ASR-1.7B. Она создана для качественной транскрипции аудиофайлов, песен и разговорной речи, а также определения языка на лету для 30 языков и 22 диалектов (включая русский). За счет точечной квантизации линейных слоев декодера размер модели уменьшен более чем на треть при сохранении высокой точности. Модель поддерживает работу через удобные бэкенды transformers и vLLM (скоростной сервер генерации) для эффективного инференса.

Ключевые особенности

  • Квантование FP8 W8A8: веса линейных слоев декодера сжаты в формат FP8, в то время как аудиоэнкодер и проектор остались в BF16 для сохранения акустической точности.
  • Поддержка 52 языков и диалектов: уверенное распознавание речи, акцентов и песен на русском, английском, китайском и других языках.
  • Единый пайплайн инференса: поддержка пакетной обработки, потокового режима и автономной транскрипции длинных аудиозаписей.
  • Совместимость с vLLM: высокая скорость обработки запросов и возможность развертывания через стандартный OpenAI-совместимый сервер.

Что можно сделать

  • Запустить локальный сервис транскрипции: развернуть сервер распознавания речи с помощью vLLM для обработки аудиопотоков в реальном времени.
  • Транскрибировать длинные подкасты и видео: автоматизировать расшифровку многочасовых аудиозаписей с высокой скоростью и минимальными требованиями к VRAM.
  • Интегрировать в голосовые боты: использовать модель в качестве бэкенда для распознавания речи пользователей в мультимодальных приложениях.

Пример

import torch
from qwen_asr import Qwen3ASRModel

model = Qwen3ASRModel.from_pretrained(
    "lly0571/Qwen3-ASR-1.7B-FP8-W8A8",
    dtype=torch.bfloat16,
    device_map="cuda:0"
)

results = model.transcribe(
    audio="[https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen3-ASR-Repo/asr_en.wav](https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen3-ASR-Repo/asr_en.wav)",
    language=None
)
print(results[0].text)
ПодробнееРазмер весов: 2.48 GB (-34.6% по сравнению с базовой версией BF16).
Качество распознавания (WER на LibriSpeech test-clean): 1.64% (практически без потерь против 1.62% у оригинала).
Оптимизация: квантовано 196 линейных слоев декодера с помощью инструментов LLM Compressor.
Примеры
Обсудить Telegram 0 21

Запустится ли?

Запустится в F8_E4M3

Влезает без сжатия.

  • F8_E4M3рекомендуемвеса 2.5 GB · готовые файлы3.2 GB
  • 4-bitвеса 1.1 GB1.7 GB

Совет: берите 8-bit.F8_E4M3 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: F8_E4M3 — 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.

    # lly0571/Qwen3-ASR-1.7B-FP8-W8A8
    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 lly0571/Qwen3-ASR-1.7B-FP8-W8A8 --local-dir ~/models/Qwen3-ASR-1.7B-FP8-W8A8
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-ASR-1.7B-FP8-W8A8
  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

Новые посты про версии Qwen3-ASR-1.7B-FP8-W8A8 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

lly0571/Qwen3-ASR-1.7B-FP8-W8A8
Автор
lly0571
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии