Qwen-ASR 本地语音识别模型
这是什么？
Qwen-ASR 是由阿里巴巴通义千问团队开发的本地语音识别模型，能够在不联网的情况下将音频中的语音内容转换为文字。该模型完全在本地运行，保护隐私的同时提供高精度的语音识别能力。
在 pyVideoTrans 的语音识别渠道中选择 Qwen-ASR(本地) 即可使用此模型。
版本要求
必须升级到 v3.97+ 版本才能使用 Qwen-ASR 本地模型
模型选择
Qwen-ASR 提供两种尺寸的模型，各有优劣：
| 模型 | 参数量 | 识别准确率 | 资源消耗 | 推荐场景 |
|---|---|---|---|---|
| 0.6B | 6亿参数 | 较高 | 较低 | 显存有限、追求速度 |
| 1.7B | 17亿参数 | 更高 | 较高 | 追求准确率、显存充足 |
- 0.6B 模型：体积较小，推理速度快，对显存要求较低，适合配置一般的电脑
- 1.7B 模型：识别准确率更高，但需要更多显存和计算资源，适合追求最佳效果的用户
模型下载
自动下载（推荐）
首次使用时，软件会自动从模型仓库下载所需模型，无需手动操作。中文界面默认使用 ModelScope（魔搭）国内镜像下载。
手动下载
如果自动下载失败或速度较慢，可以手动下载模型。
步骤一：确认目录结构
在软件目录下确认存在以下模型文件夹，如不存在请手动创建：
软件目录/
└── models/
├── models--Qwen--Qwen3-ASR-0.6B/ （0.6B模型目录）
└── models--Qwen--Qwen3-ASR-1.7B/ （1.7B模型目录）步骤二：下载 1.7B 模型
- 打开 HuggingFace 下载页面：https://huggingface.co/Qwen/Qwen3-ASR-1.7B/tree/main
- 将页面中所有文件下载下来
- 将下载的文件全部放入
models/models--Qwen--Qwen3-ASR-1.7B文件夹内
步骤三：下载 0.6B 模型
- 打开 HuggingFace 下载页面：https://huggingface.co/Qwen/Qwen3-ASR-0.6B/tree/main
- 将页面中所有文件下载下来
- 将下载的文件全部放入
models/models--Qwen--Qwen3-ASR-0.6B文件夹内
步骤四：选择模型
在软件界面的语音识别设置中，根据需要选择 0.6B 或 1.7B 模型。
工作原理
Qwen-ASR 本地模型采用 VAD（语音活动检测） 技术进行音频预处理：
- 使用
ten-vad模型对音频进行智能裁切，分割为多个短音频片段 - 将裁切后的片段按照每 8 个为一批进行批量推理
- 最终合并所有片段的识别结果
这种方式的优势是显存占用低、推理速度快，适合处理长音频文件。
常见问题
| 问题 | 可能原因 | 解决方法 |
|---|---|---|
| 模型下载失败 | 网络问题或 HuggingFace 被屏蔽 | 使用 ModelScope 镜像下载，或手动下载模型文件 |
| 识别结果为空 | 音频格式不支持 | 确保音频为常见格式（wav/mp3/aac），建议先转为 wav |
| 显存不足报错 | 显卡显存不够 | 使用 0.6B 小模型，或关闭其他占用显存的程序 |
| 识别速度很慢 | 没有使用 GPU 加速 | 检查 CUDA 环境是否正确配置 |
| 软件界面卡死 | 长音频处理时间过长 | 这是正常现象，耐心等待；或使用较短的音频片段 |