Qwen3-ASR 语音识别模型使用笔记

效果展示

模型介绍

Qwen3-ASR 是阿里巴巴 Qwen 团队推出的自动语音识别（ASR）模型。

主要特性

• 支持语言: 52 种语言和方言（30 种语言 + 22 种中文方言）
• 模型版本:
  • Qwen3-ASR-1.7B (363k 下载量)
  • Qwen3-ASR-0.6B (87.9k 下载量) - 轻量版本，适合 CPU
• 性能: 开源 ASR 模型中达到 SOTA，可与最强商业 API 竞争
• 技术特点:
  • 基于 Qwen3-Omni 基座模型
  • 支持 vLLM 批量推理，流式推理、时间戳预测
  • 支持语音、歌声识别

环境部署

1. 安装 uv 包管理工具

# 直接用 pip 安装
pip install uv

2. 创建虚拟环境并安装依赖

cd ~
mkdir -p qwen3-asr
cd qwen3-asr
uv venv venv
source venv/bin/activate

# 安装 qwen-asr 和 modelscope
uv pip install qwen-asr modelscope

3. 下载模型

由于服务器无法访问 HuggingFace，使用 ModelScope 下载：

from modelscope.hub.snapshot_download import snapshot_download
snapshot_download('Qwen/Qwen3-ASR-0.6B', cache_dir='./models')

使用示例

基础调用

#!/usr/bin/env python3
import torch
from qwen_asr import Qwen3ASRModel

# 加载模型 - 使用本地路径
model = Qwen3ASRModel.from_pretrained(
    "./models/Qwen/Qwen3-ASR-0.6B",  # 本地模型路径
    dtype=torch.float32,
    device_map="cpu",
)

# 识别音频
results = model.transcribe(
    audio="./examples/test.wav",
    language="Chinese"  # 或 "Auto" 自动检测
)

# 输出结果
print(f"语言: {results[0].language}")
print(f"文本: {results[0].text}")

支持的音频输入格式

格式	说明
str	本地文件路径 / URL / base64 音频字符串
(np.ndarray, sr)	NumPy 音频数组 + 采样率

关键参数

• 采样率: 模型内部统一处理为 16kHz，输入可以是任意采样率，会自动重采样
• 数据类型: 内部转换为 float32 mono 波形，范围归一化到 [-1, 1]
• 语言: 支持 30+ 语言，可使用 "Auto" 自动检测

测试结果

• 测试音频: examples/test.wav (12秒)
• 检测语言: Chinese (中文)
• 识别文本: 走进霍金市，搭乘红皮列车探访碧海洗浴城，感受千禧年独特魅力。这里封存着时代记忆，见证着城市新生。神霍行，我看行。

文件说明

Qwen3-ASR-Notes/
├── README.md                    # 说明文档
├── img/
│   └── 1801336469.jpg          # 效果截图
└── examples/
    ├── qwen3_asr_demo.py      # 基础调用示例
    └── test.wav               # 测试音频