orukqwen-asr-1.7b

orukqwen-asr-1.7b

把英文语音转成文字。它是用词错误率做强化学习后训练的 Qwen3-ASR-1.7B，适合需要英文转写的开发者和语音研究者。

由 oruk 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：orukqwen-asr-1.7b 是 oruk 推出的英文语音识别模型，参数量 2.04B。它从 Qwen3-ASR-1.7B 出发，只改动权重，用强化学习按词错误率给每条转写打分。模型卡称它是一个研究成果。

适合谁：它适合需要英文转写的开发者，以及研究语音模型如何训练的研究者。

Industry | Who uses it | How they use it | Example
语音研究 | 研究语音识别的研究者 | 研究强化学习和权重混合的方法 | 研究者在自己的音频上，把它的词错误率与基础模型对比
软件开发 | 要加入英文转写的开发者 | 把这些权重换进为基础模型搭好的流程里 | 开发者换掉基础权重，继续用同一套推理代码
转写工作 | 把英文录音转成文字的团队 | 把录音交给模型处理，再审阅输出 | 团队转写访谈音频

需要英文以外语言的人可以跳过它，因为记录里只列了英文。

用在哪里：它是一组模型文件，你用 Python 和 transformers 库来运行。

• Windows、macOS 或 Linux：用 Python 和 Hugging Face 工具下载文件
• transformers 库：按与 Qwen/Qwen3-ASR-1.7B-hf 相同的布局加载
• 语音研究环境：拿它与基础模型做对比

Use case | Who | What they get back
转写英文语音 | 开发者 | 音频的文字转写稿
给语音模型做基准测试 | 研究者 | 一个可与基础模型对比的词错误率
研究强化学习方案 | 语音研究者 | 一个关于词级奖励和权重混合的完整案例

如何设置：先准备好下面几样东西。

• 用于下载的 Python 和 huggingface_hub 包
• transformers 库，记录里列出的就是它
• 大约 4.1 GB 磁盘空间存放 BF16 权重

1. 安装 Hugging Face hub 包。
2. 下载模型文件。
3. 像加载 Qwen/Qwen3-ASR-1.7B-hf 那样加载它们，因为只有权重不同。

pip install -U huggingface_hub
hf download oruk/orukqwen-asr-1.7b

如何使用：像对待它的基础模型那样，把英文音频喂给它。模型卡说架构、分词器、提示词格式和推理代码都与 Qwen/Qwen3-ASR-1.7B-hf 一致。

Tool | What it does
hf download | 把模型文件取到你的电脑上
huggingface_hub | 提供 hf 命令的 Python 包
Qwen/Qwen3-ASR-1.7B-hf | 基础布局，这个模型沿用它的分词器、提示词格式和推理代码

示例：你有一段团队会议的英文录音，让模型转写。你会拿回一份文字稿。模型训练时的目标是在词错误率上得分更高，所以转写稿是拿实际说出的词来评判的。

新手与专家：这个模型把英文语音转成文字。它是一个现成的语音模型，经过重新训练，在词层面的错误更少。你的第一小步是下载文件，像用基础模型那样，拿一段短录音试一试。

训练时每条录音采样 64 条转写，每条的奖励是 1 减去它的词错误率，上限为 1，没有学习得到的评判器。词级对齐会把得分高的转写里被转错的词的优势清零，这样这些错误就不会被强化。三次相关的训练结果被平均，再与基础权重一半一半地混合，做法与 WiSE-FT 一致。模型卡坦言这个目标有偏差，与标准目标不同，换来的是更低的方差。

从 Qwen3-ASR-1.7B 出发
用强化学习和词级信用分配训练
把三次相关训练结果平均成一锅汤
把这锅汤与基础模型一半一半混合

注意事项：

• 训练每次只用一张 NVIDIA A100 40GB 显卡，数据池是 54.6 小时带转写稿的英文音频。
• 在 Open ASR Leaderboard 上，公开的 H200 复现得到九个数据集的平均 WER 为 4.76，整体 RTFx 为 718.84。维护者的私有集评测仍在等待中。
• 训练更新了 2.04B 中的 1.44B 参数，涵盖语言解码器、最后两层音频层和音频投影层。嵌入层、lm_head 和其余编码器层没有改动，所以与基础模型一致。

Title: 训练使用的算力
强化学习训练总计: 14 GPU 小时
数据筛选阶段最多: 7.5 GPU 小时

• License: Apache 2.0，与它的基础模型相同。
• Cost to run: 来源未提及，没有提到 API 密钥、账号或付费服务。
• Data it reaches: 它从 Hugging Face 下载文件，并读取你提供的音频。
• Not for: 英文以外的语言，因为记录里只列了英文。

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 参数量：2B
• Weights: about 4.1 GB in BF16; about 1 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：222
• 点赞：6
• 许可证：apache-2.0
• 语言：en
• 基于：Qwen/Qwen3-ASR-1.7B
• 标签：transformers, safetensors, qwen3_asr, automatic-speech-recognition, speech, audio, qwen3-asr, reinforcement-learning, gspo, model-soup, wise-ft, research

链接

• 模型：https://huggingface.co/oruk/orukqwen-asr-1.7b
• 文件：https://huggingface.co/oruk/orukqwen-asr-1.7b/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download oruk/orukqwen-asr-1.7b

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。