voconly-org/Qwen3-ASR-1.7B-gguf

Qwen3-ASR-1.7B GGUF

阿里通义千问团队推出的多语言自动语音识别(ASR)模型，支持30种语言。

模型简介

Qwen3-ASR-1.7B 是阿里巴巴通义千问团队的语音识别模型，具有以下特点：

• 参数量：1.7B
• 语言支持：30种语言（中英日韩法德西葡俄阿拉伯语等）
• 量化格式：GGUF (llama.cpp 兼容)
• 适用场景：语音转文字、字幕生成、会议记录转写、多语言转录

支持语言 (30种)

语言	代码	语言	代码	语言	代码
中文	zh	英语	en	粤语	yue
日语	ja	韩语	ko	阿拉伯语	ar
德语	de	法语	fr	西班牙语	es
葡萄牙语	pt	意大利语	it	俄语	ru
泰语	th	越南语	vi	印地语	hi
土耳其语	tr	印尼语	id	马来语	ms
荷兰语	nl	瑞典语	sv	丹麦语	da
芬兰语	fi	波兰语	pl	捷克语	cs
菲律宾语	fil	波斯语	fa	希腊语	el
罗马尼亚语	ro	匈牙利语	hu	马其顿语	mk

可用量化版本

文件名	量化类型	文件大小	说明
Qwen3-ASR-1.7B-Q4_K_M.gguf	Q4_K_M	~1.1 GB	推荐平衡精度与速度
Qwen3-ASR-1.7B-Q5_K_M.gguf	Q5_K_M	~1.3 GB	更高精度
Qwen3-ASR-1.7B-Q6_K.gguf	Q6_K	~1.5 GB	高精度
Qwen3-ASR-1.7B-Q8_0.gguf	Q8_0	~1.8 GB	最高量化精度

使用方法

llama.cpp 命令行

./main -m Qwen3-ASR-1.7B-Q4_K_M.gguf -f audio.wav --output-txt

Python (llama-cpp-python)

from llama_cpp import Llama

# 加载模型
llm = Llama(
    model_path="Qwen3-ASR-1.7B-Q4_K_M.gguf",
    n_gpu_layers=-1,  # 使用GPU加速
)

# 进行语音识别
result = llm.transcribe("audio.wav")
print(result["text"])

whisper.cpp 风格调用

whisper_context * ctx = whisper_init_from_file("Qwen3-ASR-1.7B-Q4_K_M.gguf");
whisper_full(ctx, wparams, samples, n_samples, nullptr, 0);

性能特点

• 多语言识别准确率高，支持30种语言
• 中文识别尤其优秀，支持普通话和粤语
• 对噪音有一定抗干扰能力
• 支持实时流式转写

技术规格

• 架构: 基于 Transformer 的编码器-解码器结构
• 采样率: 16kHz
• 输入格式: WAV/PCM 音频
• 输出格式: 文本

许可证

Apache 2.0 License

致谢

• 原始模型：Qwen/Qwen3-ASR-1.7B
• GGUF转换：由 voconly 团队完成