---
license: apache-2.0
pipeline_tag: automatic-speech-recognition
library_name: onnx
tags:
  - ctc
  - onnx
  - onnxruntime
  - int4
  - speech-recognition
  - benchmark
language: [zh, en, yue, ja, ko, de, fr, es, it, nl, pl]
---

# glm-asr-ctc-bench · 导出好的 ONNX 权重

这个仓库**不是模型本身**，是三个 ASR 引擎导出好、量化好的 ONNX，供
[bench-asr-ctc](https://github.com/JazerJu/bench-asr-ctc) 一条命令拉下来做对比：

```bash
git clone https://github.com/JazerJu/bench-asr-ctc && cd bench-asr-ctc
pip install -r requirements.txt
python scripts/download_models.py fetch          # 三个引擎全下完
python bench.py --counts 20 --engines glm fun qwen
```

`FETCH_FP16=1` additionally pulls the fp16 variants (DirectML)；`FETCH_FP32=1`
拉 GLM 的 fp32。下载脚本会把文件放到 `models/<engine>/` 下，不需要手动摆放。

## 目录

三个引擎各一个文件夹，共 3.05 GB。

### `glm-ctc/` — GLM-ASR-Nano + 我们训练的 CTC 头

| 文件 | 大小 | |
|---|---|---|
| `GLM-ASR-Encoder.q4.onnx` (+`.data`) | 131.9 + 231.3 MB | 编码器 int4，635 M 参数，50 fps |
| `GLM-ASR-Encoder.fp16.onnx` (+`.data`) | 3.7 + 1270.4 MB | 编码器 fp16，DirectML 用 |
| `GLM-ASR-Projector.fp16.onnx` | 58.7 MB | 投影器，**吃 4 帧堆叠后的 5120 维** |
| `GLM-ASR-CTC-Final134k.q4.onnx` | 21.8 MB | CTC 头 int4，40.0 M 参数 |
| `GLM-ASR-CTC-Final134k.fp16.onnx` | 80.1 MB | CTC 头 fp16 |
| `GLM-ASR-CTC-Final134k.fp32.onnx` | 160.0 MB | CTC 头 fp32，做一致性对拍用 |
| `tokens-phase2.txt` | 0.9 MB | 59,264 条，CTC 与 LLM 共用 |

### `qwen-ctc/` — Qwen3-ASR-1.7B + 我们训练的 CTC 头（v1）

| 文件 | 大小 | |
|---|---|---|
| `Qwen3-ASR-Encoder.q4.onnx` | 185.9 MB | 编码器 int4，317.5 M 参数，**13 fps** |
| `Qwen3-ASR-Encoder.fp16.onnx` | 635.6 MB | 编码器 fp16 |
| `Qwen3-ASR-CTC.q4.onnx` | 26.3 MB | CTC 头 int4，48.3 M 参数 |
| `Qwen3-ASR-CTC.fp16.onnx` | 96.8 MB | CTC 头 fp16 |
| `tokens.txt` | 1.2 MB | 72,468 条，**存的是原始字节的 base64** |
| `preprocessor_config.json` | — | WhisperFeatureExtractor 配置 |

### `fun-asr/` — Fun-ASR-Nano（第三方，镜像）

| 文件 | 大小 |
|---|---|
| `Fun-ASR-Nano-Encoder-Adaptor.int4.onnx` | 127.6 MB |
| `Fun-ASR-Nano-CTC.int4.onnx` | 21.2 MB |
| `tokens.txt` | 1.0 MB |

FunAudioLLM 的模型，int4 转换沿用 CapsWriter-Offline 的打包，镜像在这里只为
一站式复现。

## 接线时容易踩的三个坑

这些权重不是随便 `InferenceSession` 一下就能用的，**每条弄错都不报错、只是结果是错的**：

**① Qwen3 的帧率是 13 fps，不是 50。** 有效输出帧数是
`full*13 + ceil(leave/8)`（`full, leave = divmod(mel_frames, 100)`），不是 `T/8`。
用 50 fps 的算法会把帧数高估 4 倍，logits 只有 1/4 长，转写被腰斩。
另外特征提取要 `padding=False`，再自己零填到 3000 帧桶，把**真实帧数**作为
`feature_length` 传进去。

**② Qwen3 的反词表化必须走字节。** `qwen-ctc/tokens.txt` 每行是
`<原始字节的 base64>\t<紧凑 id>`，要拼 bytes 再统一 `decode("utf-8")`。
紧凑词表里保留了 89 个字节原语，一个汉字可能跨多个 token，
按字符串 `"".join()` 拼会得到乱码。GLM 那边的 `tokens-phase2.txt` 则可以直接拼。

**③ GLM 的投影器吃的是堆叠后的特征。** 编码器输出 1280 维，投影器的输入是
**5120 = 1280 × 4**，要把 4 个连续帧拼成一个再喂。直接送 1280 维会报
`Got: 1280 Expected: 5120`。

完整说明见两个导出仓库的 `AGENTS.md`：
[GLM-ASR-CTC-GGUF](https://github.com/JazerJu/GLM-ASR-CTC-GGUF) /
[Qwen3-ASR-CTC-GGUF](https://github.com/JazerJu/Qwen3-ASR-CTC-GGUF)。

## 识别率参考

FLEURS 官方 test 全量（7,876 句，11 语种，全部 int4 + CUDA EP），CTC 首遍：

| 语种 | 指标 | GLM | Fun | Qwen3 |
|---|---|---|---|---|
| en_us | WER | 18.3% | **18.1%** | 18.3% |
| cmn_hans_cn | CER | 10.7% | **9.3%** | 10.9% |
| ko_kr | CER | 39.5% | 46.0% | **20.3%** |
| ja_jp | CER | 31.0% | **17.0%** | 30.9% |
| yue_hant_hk | CER | 42.7% | 43.2% | **30.1%** |
| de / fr / es / it / nl / pl | WER | **29.7–69.3%** | 63.0–98.8% | 35.6–77.1% |

GLM 6 胜 / Fun 3 胜 / Qwen 2 胜。原始数据和更多切分（Buckeye 口语英文、
中英夹杂、口语技术词召回）见 bench 仓库的 `results/`。

**注意 provider 会影响结果**：Fun 的 int4 ONNX 不是 provider 不变的 ——
ORT CPU 与 CUDA EP 的转写在约 5% 的样本上不同（最多差 1.9pp CER，CPU 更弱）。
做对比时三个引擎必须用同一个 execution provider，并把它记进结果元数据。

## 来源与许可

| | |
|---|---|
| GLM 编码器 / 投影器 | 从 [`zai-org/GLM-ASR-Nano-2512`](https://huggingface.co/zai-org/GLM-ASR-Nano-2512) 导出，int4 由我们做 |
| GLM CTC 头 | 我们训练的，134k 步，权重原件 [`JazerJu/glm-asr-ctc`](https://huggingface.co/JazerJu/glm-asr-ctc) |
| Qwen3 编码器 | 官方 [`Qwen/Qwen3-ASR-1.7B`](https://huggingface.co/Qwen/Qwen3-ASR-1.7B) 的 audio tower，冻结，int4 由我们做 |
| Qwen3 CTC 头 | 我们训练的，权重原件 [`JazerJu/qwen3-asr-ctc`](https://huggingface.co/JazerJu/qwen3-asr-ctc) |
| Fun-ASR-Nano | FunAudioLLM 的模型，int4 转换来自 [CapsWriter-Offline](https://github.com/HaujetZhao/CapsWriter-Offline) |

我们训练的部分按基础模型的 Apache-2.0 发布。Fun-ASR-Nano 按其上游许可，
这里只是镜像。训练语料各自的许可归各自所有者，本仓库不含任何语料数据。

## 相关

- 评测代码：<https://github.com/JazerJu/bench-asr-ctc>
- 训练代码：<https://github.com/JazerJu/glm-asr-ctc-train>
- 导出管线：[GLM](https://github.com/JazerJu/GLM-ASR-CTC-GGUF) · [Qwen3](https://github.com/JazerJu/Qwen3-ASR-CTC-GGUF)