| --- |
| license: apache-2.0 |
| library_name: transformers |
| tags: |
| - automatic-speech-recognition |
| - speech-to-text |
| - asr |
| - multilingual |
| - audio |
| - transformers |
| - vllm |
| - qwen |
| pipeline_tag: automatic-speech-recognition |
| base_model: Qwen/Qwen3-ASR-1.7B |
| --- |
| |
| # JetlinkSTT-3-1.7B |
|
|
| This repository hosts an organization-managed copy of **JetlinkSTT-3-1.7B** for speech recognition and language identification workloads. |
|
|
| It is intended for teams that want to manage deployment, access, and internal distribution from their own namespace while preserving compatibility with the upstream model ecosystem. |
|
|
| ## Model Summary |
|
|
| JetlinkSTT-3-1.7B is a multilingual automatic speech recognition model designed for: |
|
|
| - **speech-to-text (ASR)** |
| - **language identification (LID)** |
| - **offline inference** |
| - **streaming inference** |
| - **long-audio transcription** |
|
|
| This model is based on the Qwen3-ASR family and is suitable for enterprise-grade transcription and speech understanding workflows. |
|
|
| ## Key Features |
|
|
| - **Automatic speech recognition** for multilingual audio |
| - **Language identification** support |
| - **Streaming and offline unified inference** |
| - Strong robustness under: |
| - noisy environments |
| - challenging text patterns |
| - singing voice |
| - songs with background music |
| - Suitable for both research and production-oriented speech pipelines |
|
|
| ## Language Support |
|
|
| The upstream Qwen3-ASR family supports **52 languages and dialects**, including **30 languages** and **22 Chinese dialects**. |
|
|
| Core language coverage includes: |
|
|
| - Chinese |
| - English |
| - Cantonese |
| - Arabic |
| - German |
| - French |
| - Spanish |
| - Portuguese |
| - Indonesian |
| - Italian |
| - Korean |
| - Russian |
| - Thai |
| - Vietnamese |
| - Japanese |
| - Turkish |
| - Hindi |
| - Malay |
| - Dutch |
| - Swedish |
| - Danish |
| - Finnish |
| - Polish |
| - Czech |
| - Filipino |
| - Persian |
| - Greek |
| - Hungarian |
| - Macedonian |
| - Romanian |
|
|
| The upstream family also supports multiple Chinese dialects and regional speech variations. |
|
|
| ## Intended Use |
|
|
| This model is suitable for: |
|
|
| - multilingual speech transcription |
| - call center transcription |
| - meeting transcription |
| - subtitle generation |
| - voice assistant backends |
| - speech analytics pipelines |
| - speech data preprocessing |
| - research and benchmarking |
|
|
| ## Model Details |
|
|
| ### Architecture |
|
|
| JetlinkSTT-3-1.7B is based on **Qwen/Qwen3-ASR-1.7B**, part of the **Qwen3-ASR** family. |
|
|
| According to the upstream model card, the Qwen3-ASR family: |
|
|
| - leverages large-scale speech training data |
| - builds on the audio understanding capability of **Qwen3-Omni** |
| - supports unified streaming and offline inference |
| - is accompanied by a broader inference toolkit with support for batch inference, asynchronous serving, streaming, and timestamp-related workflows |
|
|
| ## Hardware Requirements |
|
|
| > This model is not intended to be described with a single universal minimum hardware requirement. |
|
|
| Actual requirements depend on: |
|
|
| - inference backend |
| - batch size |
| - audio duration |
| - concurrency |
| - streaming vs offline mode |
| - latency targets |
| - memory overhead from the serving framework |
|
|
| ### Minimum System Requirements |
|
|
| > The upstream model card does not define a single universal minimum VRAM requirement. Actual memory usage depends on the inference backend, audio duration, batch size, concurrency, streaming mode, and runtime configuration. |
|
|
| Estimated memory guidance for JetlinkSTT-3-1.7B: |
|
|
| - **Theoretical model weight footprint (BF16 / FP16):** approximately **3.4 GB VRAM** |
| - **Estimated practical minimum for light GPU inference:** **8 GB VRAM** |
| - **Recommended for smoother development and local testing:** **12–16 GB VRAM** |
| - **Recommended for production or higher-concurrency deployments:** datacenter-class GPUs |
|
|
| > Note: the values above are practical estimates, not hard universal limits. Real memory consumption can increase depending on longer audio inputs, larger batch sizes, streaming usage, and backend overhead. |
| ### Reference Hardware |
|
|
| For practical deployment planning: |
|
|
| - **Development / light testing:** high-memory single GPU environments may be sufficient for basic experiments, depending on runtime settings |
| - **Production-oriented serving:** modern datacenter GPUs are recommended |
| - **Higher concurrency / lower latency deployments:** vLLM-backed or similarly optimized serving setups are recommended |
|
|
| ### Practical Recommendation |
|
|
| For most teams: |
|
|
| 1. start with isolated benchmarking |
| 2. measure latency with your real audio durations |
| 3. validate concurrency needs before production rollout |
| 4. use optimized serving stacks when streaming or higher throughput is required |
|
|
| ## Software Requirements |
|
|
| Recommended environment: |
|
|
| - Python 3.12 |
| - Linux |
| - CUDA-enabled GPU environment |
| - One of the following workflows: |
| - Transformers-based usage |
| - `qwen-asr` |
| - `qwen-asr[vllm]` |
|
|
| Common dependencies may include: |
|
|
| - `torch` |
| - `transformers` |
| - `qwen-asr` |
| - `flash-attn` for improved speed and reduced memory usage where supported |
|
|
| ## Quickstart |
|
|
| Recommended environment setup: |
|
|
| conda create -n jetlinkstt python=3.12 -y |
| conda activate jetlinkstt |
| |
| Minimal installation: |
|
|
| pip install -U qwen-asr |
| |
| For faster inference and streaming support: |
|
|
| pip install -U qwen-asr[vllm] |
| |
| Optional acceleration: |
|
|
| pip install -U flash-attn --no-build-isolation |
| |
| If your machine has limited RAM and many CPU cores: |
|
|
| MAX_JOBS=4 pip install -U flash-attn --no-build-isolation |
| |
| ## Example Usage |
|
|
| Basic usage should follow the upstream Qwen3-ASR inference flow, adapted to your deployment environment and model path. |
|
|
| Example model reference: |
|
|
| Jetlink/JetlinkSTT-3-1.7B |
| |
| ## Serving Notes |
|
|
| This model is suitable for: |
|
|
| - batch transcription |
| - asynchronous serving |
| - streaming speech recognition |
| - enterprise speech pipelines |
|
|
| For production deployments, consider: |
|
|
| - request queueing |
| - audio chunking strategy |
| - streaming transport design |
| - observability and latency monitoring |
| - GPU memory profiling |
| - concurrency benchmarking |
|
|
| ## Strengths |
|
|
| - multilingual ASR support |
| - language identification capability |
| - unified streaming and offline inference |
| - strong robustness in difficult acoustic environments |
| - support for long-audio transcription |
| - suitable for enterprise speech workloads |
|
|
| ## Limitations |
|
|
| - infrastructure needs depend heavily on concurrency and audio duration |
| - production serving characteristics vary by backend |
| - streaming deployments require additional engineering around chunking and transport |
| - real-world latency depends on model backend, hardware, and workload pattern |
|
|
| ## Out-of-Scope / Cautionary Use |
|
|
| Outputs should be reviewed before use in: |
|
|
| - legal transcription without verification |
| - medical transcription without human review |
| - safety-critical voice workflows |
| - automated decisions based solely on raw transcription |
| - highly sensitive compliance scenarios without validation |
|
|
| Human review and downstream verification are strongly recommended. |
|
|
| ## License |
|
|
| This repository follows the same license as the upstream release. |
|
|
| - **License:** Apache-2.0 |
|
|
| If you redistribute, fine-tune, quantize, or otherwise modify this model, make sure your usage remains compliant with the upstream license and attribution requirements. |
|
|
| ## Attribution |
|
|
| Original upstream model: |
| - `Qwen/Qwen3-ASR-1.7B` |
|
|
| This repository is an organization-managed copy and is **not the original upstream source**. |
|
|
| ## Citation |
|
|
| Please cite the original Qwen3-ASR release when using this model in research, evaluation, or production documentation. |
|
|
| ## Disclaimer |
|
|
| This repository may include packaging, naming, or deployment-oriented changes for organizational use. |
|
|
| For official updates, benchmark details, and upstream release notes, refer to the original Qwen model card. |
|
|
| --- |
|
|
| # JetlinkSTT-3-1.7B (Türkçe) |
|
|
| Bu depo, konuşmadan metne dönüştürme ve dil tanıma iş yükleri için **JetlinkSTT-3-1.7B** modelinin kurum tarafından yönetilen bir kopyasını barındırır. |
|
|
| Bu depo; modeli kendi namespace’i altında yönetmek, erişimi kontrol etmek ve dağıtımı kolaylaştırmak isteyen ekipler için hazırlanmıştır. Amaç, upstream model ekosistemiyle uyumluluğu koruyarak kurumsal kullanım sağlamaktır. |
|
|
| ## Model Özeti |
|
|
| JetlinkSTT-3-1.7B, aşağıdaki kullanım alanlarına yönelik çok dilli bir otomatik konuşma tanıma modelidir: |
|
|
| - **speech-to-text (ASR)** |
| - **language identification (LID)** |
| - **offline inference** |
| - **streaming inference** |
| - **uzun ses kayıtlarının transkripsiyonu** |
|
|
| Bu model, Qwen3-ASR ailesi temel alınarak hazırlanmıştır ve kurumsal seviyede konuşma tanıma iş akışları için uygundur. |
|
|
| ## Temel Özellikler |
|
|
| - Çok dilli **otomatik konuşma tanıma** |
| - **Dil tanıma** desteği |
| - **Streaming ve offline birleşik inference** |
| - Aşağıdaki koşullarda güçlü dayanıklılık: |
| - gürültülü ortamlar |
| - zor metin örüntüleri |
| - şarkı söyleme sesi |
| - arka plan müzikli şarkılar |
| - Hem araştırma hem de production odaklı konuşma iş akışları için uygundur |
|
|
| ## Dil Desteği |
|
|
| Upstream Qwen3-ASR ailesi **52 dil ve lehçe** desteği sunar. Buna **30 dil** ve **22 Çince lehçe** dahildir. |
|
|
| Başlıca desteklenen diller: |
|
|
| - Çince |
| - İngilizce |
| - Kantonca |
| - Arapça |
| - Almanca |
| - Fransızca |
| - İspanyolca |
| - Portekizce |
| - Endonezce |
| - İtalyanca |
| - Korece |
| - Rusça |
| - Tayca |
| - Vietnamca |
| - Japonca |
| - Türkçe |
| - Hintçe |
| - Malayca |
| - Hollandaca |
| - İsveççe |
| - Danca |
| - Fince |
| - Lehçe |
| - Çekçe |
| - Filipince |
| - Farsça |
| - Yunanca |
| - Macarca |
| - Makedonca |
| - Romence |
|
|
| Upstream aile ayrıca çeşitli Çince lehçeleri ve bölgesel konuşma varyasyonlarını da destekler. |
|
|
| ## Kullanım Amacı |
|
|
| Bu model aşağıdaki senaryolar için uygundur: |
|
|
| - çok dilli konuşma transkripsiyonu |
| - çağrı merkezi konuşmalarının yazıya dökülmesi |
| - toplantı transkripsiyonu |
| - altyazı üretimi |
| - sesli asistan altyapıları |
| - konuşma analitiği süreçleri |
| - konuşma verisi ön işleme |
| - araştırma ve benchmark çalışmaları |
|
|
| ## Model Detayları |
|
|
| ### Mimari |
|
|
| JetlinkSTT-3-1.7B, **Qwen/Qwen3-ASR-1.7B** tabanlıdır ve **Qwen3-ASR** ailesinin bir parçasını temel alır. |
|
|
| Upstream model kartına göre Qwen3-ASR ailesi: |
|
|
| - büyük ölçekli konuşma verileriyle eğitilmiştir |
| - **Qwen3-Omni** modelinin ses anlama kabiliyetinden yararlanır |
| - birleşik streaming ve offline inference destekler |
| - batch inference, asynchronous serving, streaming ve timestamp odaklı iş akışlarını destekleyen daha geniş bir inference toolkit ile birlikte gelir |
|
|
| ### Minimum Sistem Gereksinimleri |
|
|
| > Upstream model kartı tek ve evrensel bir minimum VRAM gereksinimi belirtmez. Gerçek bellek kullanımı; inference backend’ine, ses uzunluğuna, batch size’a, concurrency seviyesine, streaming moduna ve runtime ayarlarına göre değişir. |
|
|
| JetlinkSTT-3-1.7B için tahmini bellek rehberi: |
|
|
| - **Teorik model ağırlık boyutu (BF16 / FP16):** yaklaşık **3.4 GB VRAM** |
| - **Hafif GPU inference için tahmini pratik minimum:** **8 GB VRAM** |
| - **Daha rahat geliştirme ve local test için önerilen:** **12–16 GB VRAM** |
| - **Production veya daha yüksek concurrency gereken dağıtımlar için önerilen:** datacenter sınıfı GPU’lar |
|
|
| > Not: yukarıdaki değerler kesin ve evrensel sınırlar değil, pratik tahminlerdir. Daha uzun ses girdileri, daha büyük batch size, streaming kullanımı ve backend kaynaklı ek yükler gerçek bellek tüketimini artırabilir. |
| ## Donanım Gereksinimleri |
|
|
| > Bu model için tek ve evrensel bir minimum donanım gereksinimi vermek doğru değildir. |
|
|
| Gerçek ihtiyaçlar şunlara bağlıdır: |
|
|
| - kullanılan inference backend’i |
| - batch size |
| - ses uzunluğu |
| - concurrency |
| - streaming veya offline kullanım |
| - gecikme hedefleri |
| - serving framework kaynaklı bellek yükü |
|
|
| ### Referans Donanım |
|
|
| Pratik dağıtım planlaması için: |
|
|
| - **Geliştirme / hafif test:** runtime ayarlarına bağlı olarak yüksek belleğe sahip tek GPU ortamları temel denemeler için yeterli olabilir |
| - **Production odaklı serving:** modern datacenter GPU’lar önerilir |
| - **Daha yüksek concurrency / daha düşük latency gereken dağıtımlar:** vLLM tabanlı veya benzeri optimize serving yapıları önerilir |
|
|
| ### Pratik Öneri |
|
|
| Çoğu ekip için en mantıklı yaklaşım: |
|
|
| 1. önce izole benchmark almak |
| 2. gerçek ses uzunluklarıyla latency ölçmek |
| 3. production öncesi concurrency ihtiyacını doğrulamak |
| 4. streaming veya yüksek throughput gerekiyorsa optimize serving stack kullanmak |
|
|
| ## Yazılım Gereksinimleri |
|
|
| Önerilen ortam: |
|
|
| - Python 3.12 |
| - Linux |
| - CUDA destekli GPU ortamı |
| - Aşağıdaki iş akışlarından biri: |
| - Transformers tabanlı kullanım |
| - `qwen-asr` |
| - `qwen-asr[vllm]` |
|
|
| Yaygın bağımlılıklar şunları içerebilir: |
|
|
| - `torch` |
| - `transformers` |
| - `qwen-asr` |
| - uygun olduğunda hız ve bellek optimizasyonu için `flash-attn` |
|
|
| ## Hızlı Başlangıç |
|
|
| Önerilen ortam kurulumu: |
|
|
| conda create -n jetlinkstt python=3.12 -y |
| conda activate jetlinkstt |
| |
| Minimum kurulum: |
|
|
| pip install -U qwen-asr |
| |
| Daha hızlı inference ve streaming desteği için: |
|
|
| pip install -U qwen-asr[vllm] |
| |
| İsteğe bağlı hızlandırma: |
|
|
| pip install -U flash-attn --no-build-isolation |
| |
| Makinede RAM düşük ama CPU core sayısı fazlaysa: |
|
|
| MAX_JOBS=4 pip install -U flash-attn --no-build-isolation |
| |
| ## Örnek Kullanım |
|
|
| Temel kullanım, upstream Qwen3-ASR inference akışına göre ve kendi deployment ortamına uyarlanarak yapılmalıdır. |
|
|
| Örnek model referansı: |
|
|
| Jetlink/JetlinkSTT-3-1.7B |
| |
| ## Serving Notları |
|
|
| Bu model aşağıdaki kullanım türleri için uygundur: |
|
|
| - batch transcription |
| - asynchronous serving |
| - streaming speech recognition |
| - kurumsal konuşma iş akışları |
|
|
| Production dağıtımlarında şunlar değerlendirilmelidir: |
|
|
| - request queueing |
| - audio chunking stratejisi |
| - streaming transport tasarımı |
| - gözlemlenebilirlik ve latency takibi |
| - GPU bellek profillemesi |
| - concurrency benchmark’ları |
|
|
| ## Güçlü Yönler |
|
|
| - çok dilli ASR desteği |
| - dil tanıma kabiliyeti |
| - birleşik streaming ve offline inference |
| - zorlu akustik ortamlarda güçlü dayanıklılık |
| - uzun ses kayıtlarının transkripsiyonuna uygunluk |
| - kurumsal konuşma iş yükleri için uygun yapı |
|
|
| ## Sınırlamalar |
|
|
| - altyapı ihtiyacı concurrency ve ses uzunluğuna göre ciddi şekilde değişir |
| - production serving karakteristiği kullanılan backend’e göre değişir |
| - streaming dağıtımlarında chunking ve taşıma katmanı için ek mühendislik gerekir |
| - gerçek dünya gecikmesi; backend, donanım ve iş yükü desenine bağlıdır |
|
|
| ## Kapsam Dışı / Dikkat Gerektiren Kullanımlar |
|
|
| Model çıktıları şu senaryolarda insan kontrolü olmadan kullanılmamalıdır: |
|
|
| - doğrulamasız hukuki transkripsiyon |
| - insan incelemesi olmadan tıbbi transkripsiyon |
| - güvenlik kritik ses iş akışları |
| - yalnızca ham transkripsiyona dayalı otomatik kararlar |
| - doğrulama olmadan yüksek hassasiyetli uyumluluk senaryoları |
|
|
| İnsan incelemesi ve aşağı akış doğrulama mekanizmaları güçlü şekilde önerilir. |
|
|
| ## Lisans |
|
|
| Bu depo, upstream sürümle aynı lisansı takip eder. |
|
|
| - **Lisans:** Apache-2.0 |
|
|
| Modeli yeniden dağıtıyor, fine-tune ediyor, quantize ediyor veya başka şekilde değiştiriyorsan; kullanımının upstream lisans ve attribution gereklilikleriyle uyumlu olduğundan emin olmalısın. |
|
|
| ## Atıf |
|
|
| Orijinal upstream model: |
| - `Qwen/Qwen3-ASR-1.7B` |
|
|
| Bu depo, kurum tarafından yönetilen bir kopyadır ve **orijinal upstream kaynak değildir**. |
|
|
| ## Atıf / Citation |
|
|
| Bu modeli araştırma, değerlendirme veya production dokümantasyonunda kullanıyorsan, lütfen orijinal Qwen3-ASR sürümüne atıf yap. |
|
|
| ## Feragatname |
|
|
| Bu depo, kurumsal kullanım amacıyla paketleme, isimlendirme veya dağıtım odaklı bazı değişiklikler içerebilir. |
|
|
| Resmi güncellemeler, benchmark detayları ve upstream sürüm notları için orijinal Qwen model kartına bakılmalıdır. |
