SummFlow 2026-05-26 Hugging Face

Mega-ASR (THU)

面向远场、混响、重叠语音等严重声学退化的鲁棒语音识别

入选理由
基于Qwen3-ASR的鲁棒ASR新方案，有论文和代码示例。
对位
对位Whisper等常规ASR在恶劣声学条件下
适合
严重噪声、混响、剪切、限带语音转录 / 远场、重叠语音、低质量录音识别
不适合
安静环境下的高保真转写
规模
1.7B · 未知
授权
apache-2.0 · 可商用
框架
PyTorch / Transformers
血统
微调自 Qwen3-ASR-1.7B
可信度
arXiv论文2605.19833，仓库含模型权重、路由器和评估脚本

社区实测

社区对 Mega-ASR 的实际表现持观望态度，有人指出其演示在理想条件下效果很好，但真实场景的鲁棒性仍有待验证。

  • 演示在完美条件下表现良好，但实际复杂声学环境下的泛化能力存疑
来源

Mega-ASR: Towards In-the-wild 2 Speech Recognition via scaling ...

截至 2026-06-19

快速上手

from MegaASR.model.megaASR import MegaASR