基于 Qwen3-4B 的开源 ASR 模型 Hojo-ASR 取 3.54 平均 WER
rohanpaul_ai · x · 2026-10-16
开源多语言语音识别模型 Hojo-ASR-Multi-V1（Apache 2.0，已上架 Hugging Face）在 5 种欧洲语言的排行榜上取得 3.54 的平均 WER，位列第七（榜首为 Azure Speech 2.61、ElevenLabs Scribe v2 2.65）。
架构上的关键差异：它采用 Encoder-Adapter-LLM 结构，声学编码器提取特征、适配器桥接，最终解码交给 Qwen3-4B 大语言模型完成——让识别在判定“到底说了什么”时能用上更强的语言上下文，对口语化、含糊发音更友好，但也带来了弱音频下幻觉与过度纠正的风险。模型经多阶段模块化训练与强化学习优化，支持德法西葡日意阿韩俄等语言。
作者 @rohanpaulai 提醒两点：
- 3.54 不是普遍成绩：榜单只覆盖 5 种欧洲语言，平均数会掩盖数据集与语言间的巨大差异；模型卡声称的日/阿/韩/俄支持并未在这份成绩中体现。
- 离本地推理 ≠ 能上端侧：要用于眼镜、耳机、录音笔等实时硬件，还需在目标设备上实测内存、GPU 需求、吞吐、流式行为与真实交互延迟；更严格的测试应混入口音、非母语者、噪声、远场、语速与中英夹杂等条件，并公布 ground truth 与原始输出逐条比对。
可通过 pip install hojo-asr 本地运行，支持 WAV 路径、字节流与 SCP 输入。
所属事件:HojoAI 开源多语言 ASR 模型 Hojo-ASR，平均 WER 低至 3.54(2 条相关)→
「模型」频道最新
- 小红书开源 Vela 35B：10 万用户行为作监督，全部 10 项评测提升 — AdinaYakup · 2026-10-16
- KOL 力捧 Opus 4.5:目前没有比它更强的模型 — kimmonismus · 2026-10-16
- Artificial Analysis 榜单:GLM 5.3 Flash 得 39 分,以更小体积超越 Mistral 4 Large — airesearch12 · 2026-10-16
- Google 在 Antigravity 中设 Paid Pro 付费墙，Pixel 与订阅用户不满 — Chance-Okra-5920 · 2026-10-16
- GLM 5.3 Flash 现已在 OpenCode 免费开放 — DanielLockyer · 2026-10-16
- GPT-6 Sol 开药水店零失误，推理摘要却把库存当成自身属性 — liminal_bardo · 2026-10-16