Qwen3-ASR-1.7B

Qwen3-ASR — открытое семейство моделей распознавания речи; в этой карточке версия 1.7B, рядом выпущена версия 0.6B. По карточке модели, она распознаёт 30 языков и 22 диалекта китайского, сама определяет язык и справляется с речью, пением и песнями с фоновой музыкой. Одна модель работает и в обычном, и в потоковом режиме и умеет расшифровывать длинные записи. Для меток времени нужна отдельная вспомогательная модель Qwen3-ForcedAligner-0.6B (до 5 минут речи, 11 языков). Авторы выпустили набор для запуска с пакетным и потоковым режимами на vLLM. Требований к видеопамяти в карточке нет; для экономии памяти советуют FlashAttention 2. На Open ASR Leaderboard (английская короткая речь, девять тестовых наборов, проверено 20.10.2026) версия 1.7B для Transformers показывает среднюю долю ошибок в словах 5,75% — самую низкую среди открытых моделей в нашем списке. Выпущена 28.01.2026. Веса лежат в открытом доступе, без подтверждения условий, под лицензией Apache-2.0, она разрешает коммерческое использование. У авторов есть официальная демонстрация (Space на Hugging Face), код лежит на GitHub. Дата проверки: 20.10.2026.