Qwen3-ASR Lao (H)
распознавание лаосской речи
2 мин чтения
Это файнтюн Qwen3-ASR-1.7B от CEIT и Laligence для распознавания лаосского языка. LoRA обучен на читаемой, встречной и синтетической лаосской речи, а адаптер слит в единый fp16 checkpoint. Модель выдаёт лаосский текст без пробелов между словами по заданным правилам орфографии.
Ключевые особенности
- LoRA-файнтюн Qwen3-ASR-1.7B, адаптер слит в fp16 checkpoint.
- Обучение на 35,7 ч реальной речи и 106,9 ч синтетической; синтетика к реальной примерно 3:1.
- CER без пробелов: 8,77 на meeting2 и 2,56 на test_blind.
- Лучше работает на клипах до ~15 с; длинные записи советуют резать по паузам, например через Silero VAD.
- Выдаёт лаосский текст без пробелов по единым правилам орфографии; смешение с тайским/английским и имена — частые ошибки.
Пример
import soundfile as sf
import torch
from qwen_asr import Qwen3ASRModel
from qwen_asr.inference.utils import SUPPORTED_LANGUAGES
SUPPORTED_LANGUAGES.append("Lao")
asr = Qwen3ASRModel.from_pretrained("LuoYiSULIXAY/qwen3-asr-lao-H", dtype=torch.float16, device_map="cuda:0")
audio, sr = sf.read("example.wav", dtype="float32")
print(asr.transcribe(audio=(audio, sr), language="Lao")[0].text)
Подробнее
Реальная речь — 35,7 ч, синтетика — 106,9 ч; соотношение около 3:1.Лучший checkpoint — шаг 4 000, LoRA, batch 60 на 3 GPU, затем merge в fp16.
На meeting2 модель на 1,15 CER лучше рецепта без 5 ч проверенной встречной речи (95% bootstrap CI 0,87–1,43).
Ограничения: разговорная речь, сильный акцент, шум, музыка и наложение голосов; возможны повторы на длинном/шумном входе.










Комментарии