一键部署：Qwen3-ASR-0.6B语音识别服务搭建指南

1.

快速了解Qwen3-ASR-0.6B

Qwen3-ASR-0.6B是一个强大的多语言语音识别模型，支持52种语言和方言的语音转文字功能。

这个模型特别适合需要实时语音识别的应用场景，比如会议转录、语音助手、内容字幕生成等。

核心特性一览：

• 多语言支持：覆盖中文、英文、日语、法语、德语等52种语言
• 自动语言检测：无需手动指定语言，自动识别输入音频的语言类型
• 时间戳输出：支持生成带时间戳的转录结果
• 批量处理：可以同时处理多个音频文件
• Web界面：提供直观的图形化操作界面

技术规格：

• 模型大小：3.6GB（包含ASR主模型和对齐模型）
• 内存需求：推荐8GB+

  GPU显存

• 支持格式：常见音频格式（wav,

  mp3,

  flac等）

• 输出格式：文本、JSON（带时间戳）

2.

系统要求

在开始部署之前，请确保你的系统满足以下要求：

硬件要求：

• GPU：支持CUDA的NVIDIA显卡，推荐RTX

  3080或以上

• 显存：8GB及以上（处理长音频时需要更多显存）
• 内存：16GB

  RAM及以上

• 存储：至少10GB可用空间

软件要求：

• 操作系统：Ubuntu

  18.04/20.04/22.04，CentOS

  7+

• Python版本：3.10或更高版本
• CUDA版本：11.7或更高版本
• 驱动程序：最新的NVIDIA驱动

2.2

一键部署步骤

Qwen3-ASR-0.6B提供了两种部署方式，推荐使用方式一快速上手：

方式一：直接启动（适合开发和测试）

#
进入模型目录
/root/Qwen3-ASR-0.6B/start.sh

这个命令会自动启动语音识别服务，并在7860端口提供Web界面。

方式二：系统服务部署（适合生产环境）

#
安装系统服务
/root/Qwen3-ASR-0.6B/qwen3-asr.service
/etc/systemd/system/qwen3-asr-0.6b.service
重新加载系统配置
/var/log/qwen-asr-0.6b/stdout.log

3.

Web界面使用指南

服务启动后，你可以通过浏览器访问Web界面：

• 本地访问：http://localhost:7860
• 远程访问：http://你的服务器IP:7860

3.1

基本操作流程

Web界面提供了直观的操作方式：

1. 上传音频：点击上传按钮选择音频文件，支持拖拽上传
2. 调整设置：选择语言（或使用自动检测）、设置批处理大小
3. 开始识别：点击"Transcribe"按钮开始语音识别
4. 查看结果：识别完成后，文本结果会显示在右侧区域
5. 导出结果：支持导出为文本文件或带时间戳的JSON格式

3.2

高级功能使用

批量处理功能：

• 可以一次性上传多个音频文件
• 系统会自动排队处理所有文件
• 每个文件的结果会单独保存

时间戳输出：

• 启用"Output

  timestamps"选项

• 结果会包含每个词条的起始和结束时间
• 适合用于字幕生成或音频编辑

语言设置：

• 自动检测：让模型自动识别音频语言
• 手动指定：如果知道确切语言，可以手动选择以提高准确性

4.

API接口调用

除了Web界面，Qwen3-ASR-0.6B还提供了RESTful

API接口，方便集成到其他应用中。

4.1

基本API调用示例

import
requests
"http://localhost:7860/api/transcribe"
准备请求数据
response.text)

4.2

requests

requests.post('http://localhost:7860/api/transcribe',

files=files)

open('transcription_results.json',

'w',

indent=2)

5.

性能优化建议

如果识别速度较慢，可以尝试以下优化：

#
调整批处理大小（在start.sh中修改）
export
使用FP16精度（提高速度，轻微影响精度）
export
PRECISION=fp16

内存优化配置：

#
export
对于显存较大的GPU（16GB+）
export
MAX_BATCH_SIZE=8

5.2

常见错误处理

服务启动失败：

#
检查服务状态
在start.sh中修改

显存不足错误：

• 减小批处理大小（batch_size）
• 使用更短的音频片段
• 升级GPU硬件

音频格式不支持：

• 确保音频格式为wav、mp3、flac等常见格式
• 采样率建议为16kHz或44.1kHz
• 可以使用ffmpeg进行格式转换

#
使用ffmpeg转换音频格式
模型配置调整
你可以通过修改配置文件来调整模型行为：
#
在代码中调整配置
model_path="/root/ai-models/Qwen/Qwen3-ASR-0___6B/",
forced_aligner_path="/root/ai-models/Qwen/Qwen3-ForcedAligner-0___6B/",
使用GPU
自定义词汇表
对于特定领域的应用，可以添加自定义词汇表以提高识别准确性：
#
添加领域特定词汇
audio_path="audio.wav",
custom_vocabulary=custom_vocab
)
7.
transcribe_meeting(audio_folder,
output_file):
"""批量转录会议录音"""
results
datetime.fromtimestamp(os.path.getctime(file_path))
print(f"正在处理:
'http://localhost:7860/api/transcribe',
open(file_path,
meeting_time.strftime('%Y-%m-%d
%H:%M'),
result.get('timestamps',
[])
transcribe_meeting('meeting_recordings/',
'meeting_transcriptions.json')
7.2
pyaudio
api_url="http://localhost:7860/api/transcribe"):
self.api_url
"""开始录音并分段发送识别"""
self.is_recording
send_for_transcription(audio_data):
"""后台发送音频进行识别"""
threading.Thread(target=self._transcribe,
args=(audio_data,)).start()
chunk_size
send_for_transcription(bytes(current_chunk))
current_chunk
"""发送音频到识别服务"""
临时保存音频
response.json()['text'])
def
"""停止录音"""
self.is_recording
总结
通过本指南，你已经学会了如何快速部署和使用Qwen3-ASR-0.6B语音识别服务。
这个模型提供了强大的多语言语音识别能力，无论是通过Web界面还是API接口，都能满足各种应用场景的需求。
关键要点回顾：
部署简单：提供一键启动和系统服务两种方式
使用方便：直观的Web界面和完整的API文档
功能强大：支持52种语言、时间戳输出、批量处理
性能优异：基于先进的Transformer架构，识别准确率高
下一步建议：
尝试不同的音频文件和语言，熟悉模型能力
根据实际需求调整批处理大小和内存配置
探索API集成，将语音识别功能嵌入到你的应用中
关注模型更新，及时获取性能改进和新功能
/>
获取更多AI镜像
想探索更多AI镜像和应用场景？访问
CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。