Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布，5 种语言平均 WER 3.54
Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布
开源多语言 ASR 模型 Hojo-ASR-Multi-V1 在 5 种语言上平均 WER 为 3.54，采用声学编码器加 Qwen3-4B 解码器的架构。该模型面向多语言对话语音识别，以 Apache 2.0 许可在 Hugging Face 公开，可通过 hojo-asr Python 包安装并支持本地推理，接受 WAV 路径、音频字节流和 SCP 输入。
Rohan Paul· @rohanpaul_ai · X·2026-10-16 15:27· 2 小时前AI 评分47
AI 导读
开源多语言 ASR 模型 Hojo-ASR-Multi-V1 在 5 种语言上平均 WER 为 3.54，采用声学编码器加 Qwen3-4B 解码器的架构。该模型面向多语言对话语音识别，以 Apache 2.0 许可在 Hugging Face 公开，可通过 hojo-asr Python 包安装并支持本地推理，接受 WAV 路径、音频字节流和 SCP 输入。
正文
一个开源多语言 ASR 模型刚刚在 5 种语言上取得了 3.54 的平均 WER
Hojo-ASR-Multi-V1 将声学编码器与 Qwen3-4B 解码器相结合，在最终解码阶段为语音识别提供了一个异常强大的语言模型。
- 采用 Qwen3-4B LLM 解码器构建
- 专为多语言对话语音识别而设计
- 在 Hugging Face 上以 Apache 2.0 许可公开提供
- 可通过 hojo-asr Python 包安装
- 支持本地推理
- 接受 WAV 文件路径、音频字节流和 SCP 输入
3.54 这个 WER 数字背后有更大的技术故事。
传统 ASR 系统严重依赖专为语音设计的声学和语言建模组件，而 Hojo 在音频被编码和适配之后，将解码阶段交给了一个 Qwen3-4B LLM。因此，在判断实际说了什么时，识别过程能够利用一个丰富得多的、关于词语如何自然组合的模型。
让 Hojo 更有趣的是，它是在多种语言上达到这一水平，而不是只围绕 1 种语言构建。而且它用一个开发者可以实际运行和检查的公开可用模型做到了这一点。
对我来说，架构大概是最有意思的部分。
Hojo 采用编码器、适配器和 LLM 的设置，以 Qwen3-4B 作为解码器，因此最终转录文本是同时利用语音的声学信息和 LLM 内部的语言知识生成的。
这为解码器提供了更多上下文，用来消解仅凭音频可能听起来有歧义的词。
来源：Rohan Paul · x.com
来源：RadarAI · aihot.news