Mega-ASR

Mega-ASR

转写来自嘈杂、有回声、削波或重叠的录音里的英文和中文语音，并把干净的音频交给基础模型。适合处理困难音频的团队。

由 zhifeixie 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：Mega-ASR 是一个为严重劣化的音频打造的语音识别系统。它针对噪声、回声、削波、频带受限和多人重叠说话这类情况，普通系统在这些情况下常常什么也不输出、漏词，或者编造文字。它建立在 Qwen3-ASR-1.7B 之上，另加适配权重和一个音频质量路由器。

适合谁：它适合转写在恶劣条件下录制的音频的团队，比如远场麦克风、街头噪声或压缩过的音频。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 转写团队 | 转写在室外或用劣质麦克风录的采访 | 从嘈杂的街头采访里得到文字
客户服务 | 通话分析团队 | 转写压缩过或有噪声的通话音频 | 读取带线路噪声的通话
会议 | 记录人员 | 转写远场和有回声的房间录音 | 带回声的会议室录音
研究 | 语音研究人员 | 测试多种失真叠加下的识别效果 | 在劣化音频上检查词错误率

如果你的音频总是很干净，可以跳过它，因为基础模型已经能处理这种情况，路由器也会把这类音频交给它。

用在哪里：

• Windows、macOS 或 Linux 上的 Python，使用项目的推理脚本或它的 Python 类
• 带 Python 3.10 的 conda 环境，模型卡的安装步骤用的就是它
• 评测运行，因为项目带有词错误率脚本

用途 | 适合谁 | 得到什么
转写劣化的音频 | 转写团队 | 来自嘈杂、有回声或削波录音的文字
自动选最合适的路径 | 开发者 | 一个按文件选择劣化音频路径或基础路径的路由器
衡量准确率 | 研究人员 | 来自测试文件的词或字符错误率

如何设置：

• Python 3.10 和 conda
• Mega-ASR 的代码和它的依赖文件
• 放在代码期望位置的已下载检查点文件夹

1. 用 Hugging Face 自己给出的步骤下载检查点。
2. 获取 Mega-ASR 的代码并创建 conda 环境。
3. 安装依赖。
4. 按模型卡所说，把检查点文件夹放进 ckpt 目录。

pip install -U huggingface_hub
hf download zhifeixie/Mega-ASR

conda create -n mega-asr python=3.10 -y
conda activate mega-asr
pip install -r requirements.txt

如何使用：你用一个音频文件和检查点文件夹来运行推理脚本。另一个选项会关闭路由，让每个文件都走劣化音频的路径。

python infer.py --audio /path/to/audio.wav --ckpt_dir ckpt/Mega-ASR

python infer.py --audio /path/to/audio.wav --ckpt_dir ckpt/Mega-ASR --routing false

在 Python 里，模型卡给出了这个基于类的调用。

from MegaASR.model.megaASR import MegaASR
model = MegaASR(
    model_path="ckpt/Mega-ASR/Qwen3-ASR-1.7B",
    router_checkpoint="ckpt/Mega-ASR/audio_quality_router/best_acc_model.pt",
    routing_enabled=True,
)
result = model.infer("/path/to/audio.wav", return_route=True)
print(result)

示例：有人有一段在繁忙街头录的采访。他们对这个文件运行推理脚本。返回的是转写文字。在 Python 里用上路由选项，他们还能看到路由器为这个文件选了哪条路径。

新手与专家：如果你是新手，先对一段短片运行脚本，再读转写结果。保持路由开启，这是默认设置，这样干净的片段会交给基础模型。

如果你熟悉这个领域：这个发布包捆绑了 Qwen3-ASR-1.7B 基础模型、调优后的权重，以及一个给音频受损程度打分的小分类器。除非你改动，它的分界值是 0.5。解码是贪心的，生成 256 个新词元后停止。

加载音频文件
路由器给音频质量打分
选择劣化音频路径或基础路径
贪心解码，最多 256 个词元
返回转写结果

注意事项：

• Limits: 模型卡用图表展示结果，在这里看到的部分没有数字表。
• Defaults: 解码是贪心的，所以温度和采样设置不起作用。
• Languages: 记录里列的是英文和中文。
• License: Apache 2.0。
• Cost to run: 未提及。
• Data it reaches: 它把模型文件复制到你的电脑，并读取你给它的音频文件。

Hugging Face 上的数据（2026年11月14日）

• 任务：automatic speech recognition
• Formats: Safetensors
• 最近 30 天下载：0
• 点赞：104
• 许可证：apache-2.0
• 语言：en, zh
• 基于：Qwen/Qwen3-ASR-1.7B
• Quantized versions: 7
• Fine-tunes: 1
• 标签：safetensors, automatic-speech-recognition, speech-recognition, audio, robust-asr, qwen3-asr

链接

• 模型：https://huggingface.co/zhifeixie/Mega-ASR
• 文件：https://huggingface.co/zhifeixie/Mega-ASR/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 zhifeixie/Mega-ASR

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。