# Qwen3-ASR: 0.6B или 1.7B для русской речи

Источник: https://modelium.tech/zhurnal/qwen3-asr/

Qwen3-ASR выпускается в вариантах 0.6B и 1.7B; в конфигурациях обоих указан русский язык. Для локального пилота выберите точную ревизию и сравните транскрипт с собственной разрешённой записью: языковая поддержка не доказывает качество на вашей речи. Потоковый режим и таймкоды требуют отдельной проверки стека; Modelium не запускал эти веса и не измерял память или точность.

**Источники проверены 30 сентября 2026 года.** Карточки весов закреплены за SHA `7278e1e` и `5eb1441`, инструкция пакета — за Git-коммитом `7c6daf7`. Modelium не скачивал веса и не выполнял ASR; ниже — путь собственного пилота по документации автора, не опубликованный результат теста. [s1](#src-s1) [s2](#src-s2) [s5](#src-s5)

## Что выбрать: Qwen3-ASR-0.6B или 1.7B?

Qwen выпустила два отдельных ASR-checkpoint: `Qwen/Qwen3-ASR-0.6B` и `Qwen/Qwen3-ASR-1.7B`. Для обоих карточка и конфигурация указывают русский язык. Числа в названиях обозначают варианты семейства, **не** объём необходимой оперативной или видеопамяти; пригодность конкретного устройства здесь не проверялась. Зафиксируйте выбранный ID и ревизию, прежде чем сравнивать результаты. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

В авторской документации 1.7B описан как более сильный по опубликованным авторами оценкам, а 0.6B — как компромисс качества и эффективности. Эти результаты, включая сравнения с коммерческими API и цифры пропускной способности в техническом отчёте, **не воспроизводились Modelium** и не позволяют обещать превосходство на русской записи вашей организации. Выберите 0.6B как первого кандидата, если хотите начать с меньшего варианта, и сравните с 1.7B **на одном и том же наборе аудио**, если ваша машина вообще позволяет запустить оба. Не подменяйте измерения оценкой по названию. [s1](#src-s1) [s5](#src-s5) [s7](#src-s7)

Маршрут: запись речи → конкретный checkpoint и ревизия → доступное железо → `qwen-asr` с подходящим backend → сверка слов с разрешённым эталоном → решение, подходит ли модель; если нужны говорящие, добавьте **отдельный** шаг диаризации, а не предполагайте его наличие в ASR. [s5](#src-s5)

## Что опубликовано и какие ограничения у весов?

Репозитории весов доступны без gated-доступа на Hugging Face: у 1.7B закреплённый индекс перечисляет `model-00001-of-00002.safetensors` и `model-00002-of-00002.safetensors`, а у 0.6B API репозитория — один `model.safetensors`. Пакет, от которого зависит запуск, — другой артефакт. В карточках весов и в метаданных `qwen-asr` заявлена лицензия Apache-2.0; это не автоматическое заключение об условиях сторонних зависимостей или правах на ваши аудиозаписи. [s1](#src-s1) [s2](#src-s2) [s6](#src-s6) [s8](#src-s8)

Автор говорит о «52 языках и диалектах», но сам же раскрывает это как **30 языков плюс 22 китайских диалекта**; русский указан среди 30 языков и присутствует в обеих машинных конфигурациях. Наличие языкового тега — повод тестировать, а не доказательство качества на русской спонтанной речи, шумных звонках и профессиональных терминах. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Как пройти локальный пилот по документации?

- Подготовьте **свою разрешённую к обработке** короткую русскую запись и её вручную исправленный эталонный текст. Запишите длительность, условия записи, шум, число говорящих и случаи с именами, числами, аббревиатурами. Это редакционный протокол проверки, не уже выполненное измерение Modelium.

- Создайте отдельное окружение Python 3.12, как в инструкции автора; для базового backend там указан пакет `qwen-asr`, а метаданные закреплённой версии пакета `0.0.6` требуют `transformers==4.57.6`. Установка дополнительных зависимостей и наличие GPU зависят от окружения; авторский пример использует CUDA и `bfloat16`, но **не доказывает минимальное требование** для каждой установки. [s5](#src-s5) [s6](#src-s6)

- Загрузите выбранные веса заранее и зафиксируйте SHA ревизии, а не просто плавающий `main`; отдельно проверьте состав файлов 1.7B или 0.6B. Авторский `qwen-asr` принимает путь к локальному аудио и модельный ID/путь, но если передать ID, загрузка файлов может потребовать сеть. Перед обработкой закрытого аудио проверьте фактические сетевые соединения по [протоколу офлайн-контура](/zhurnal/proverka-offline-kontura-ii/). [s1](#src-s1) [s2](#src-s2) [s5](#src-s5) [s8](#src-s8)

- Начните с transformers backend по примеру `Qwen3ASRModel.from_pretrained` и вызову `transcribe` из закреплённой документации. Проверьте `result.language` и `result.text`, затем повторите тот же набор записей на втором варианте при возможности. Не считайте успешную загрузку модели проверкой точности. [s5](#src-s5)

- Сверьте по исходной записи пропуски слов, имена и числа; посчитайте ошибки на **своём** эталоне и сохраните точный checkpoint, backend, устройство и параметры. Если перепутаны говорящие, проверьте отдельный [протокол диаризации встречи](/zhurnal/diarizaciya-zapisi-vstrechi/). Это предложенный метод проверки, не результат испытаний портала. [s5](#src-s5)

Публичный сервер из документации использует `qwen-asr-serve` и vLLM; пример автора открывает `--host 0.0.0.0`, поэтому не копируйте его в закрытом контуре без контроля сетевого доступа. Для одиночного пилота используйте локальный путь и ограниченный доступ к аудио. Авторский `pyproject.toml` закрепляет extra `vllm==0.14.0`, но это версия проверенной здесь ревизии кода, а не вечная гарантия совместимости будущих релизов. [s5](#src-s5) [s6](#src-s6)

## Нужны потоковая речь, таймкоды или диаризация?

Авторская документация относит потоковый inference к **vLLM backend**, а не обещает его для базового transformers пути. Для таймкодов требуется **другой checkpoint**, `Qwen3-ForcedAligner-0.6B`, и его отдельная настройка; ASR-текст сам по себе не означает наличия меток времени. Диаризация — определение говорящего — также отдельная задача: в приведённых возможностях Qwen3-ASR она не показана как готовый вывод каждого speaker ID. Для встречи сначала получите текст, затем отдельно проверьте метки говорящих по оригинальной записи. [s1](#src-s1) [s5](#src-s5)

Если задача — очистить тишину перед распознаванием, посмотрите [проверку faster-whisper VAD](/zhurnal/faster-whisper-vad/): это альтернативный стек и иной эксперимент, не функция Qwen3-ASR. Основной следующий шаг — [сверка русской записи и говорящих](/zhurnal/diarizaciya-zapisi-vstrechi/) с собственным эталоном; переходить к рабочим документам и звонкам до такой проверки нельзя. [s5](#src-s5)

## Источники

1. [Карточка Qwen3-ASR-1.7B, Qwen](https://huggingface.co/Qwen/Qwen3-ASR-1.7B/blob/7278e1e70fe206f11671096ffdd38061171dd6e5/README.md) — получено 2026-09-30
2. [Карточка Qwen3-ASR-0.6B, Qwen](https://huggingface.co/Qwen/Qwen3-ASR-0.6B/blob/5eb144179a02acc5e5ba31e748d22b0cf3e303b0/README.md) — получено 2026-09-30
3. [Конфигурация Qwen3-ASR-1.7B](https://huggingface.co/Qwen/Qwen3-ASR-1.7B/blob/7278e1e70fe206f11671096ffdd38061171dd6e5/config.json) — получено 2026-09-30
4. [Конфигурация Qwen3-ASR-0.6B](https://huggingface.co/Qwen/Qwen3-ASR-0.6B/blob/5eb144179a02acc5e5ba31e748d22b0cf3e303b0/config.json) — получено 2026-09-30
5. [Qwen3-ASR: документация запуска, Git SHA 7c6daf7](https://github.com/QwenLM/Qwen3-ASR/blob/7c6daf77a2421100f5fb066495372c00129d39ff/README.md) — получено 2026-09-30
6. [Метаданные Python-пакета qwen-asr](https://github.com/QwenLM/Qwen3-ASR/blob/7c6daf77a2421100f5fb066495372c00129d39ff/pyproject.toml) — получено 2026-09-30
7. [Qwen3-ASR Technical Report, Shi et al., версия 2](https://arxiv.org/abs/2601.21337v2) — получено 2026-09-30
8. [Индекс частей весов Qwen3-ASR-1.7B](https://huggingface.co/Qwen/Qwen3-ASR-1.7B/blob/7278e1e70fe206f11671096ffdd38061171dd6e5/model.safetensors.index.json) — получено 2026-09-30