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

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 s2 s3 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 s5 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

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 s2 s6 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 s2 s3 s4

Как пройти локальный пилот по документации?

1. 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.
2. 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 s6
3. 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. s1 s2 s5 s8
4. 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
5. 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. Это предложенный метод проверки, не результат испытаний портала. 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 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 s5

Если задача — очистить тишину перед распознаванием, посмотрите проверку faster-whisper VAD: это альтернативный стек и иной эксперимент, не функция Qwen3-ASR. Основной следующий шаг — сверка русской записи и говорящих с собственным эталоном; переходить к рабочим документам и звонкам до такой проверки нельзя. s5