@MinLiBuilds发布Hojo-ASR-Multi-V1 开源语音识别模型(0.0%)

大家默认 奥特曼的Whisper 是 语音识别（ASR） 天花板。

我用四川话测了一句：巴适。 Whisper 听成了八式，它从没学过四川话。 同一批音频，Hojo-ASR-Multi-V1：错误率0.0%。

接着，我给了它们一段成都街头的环境音，全程没有一个人说话。 · Whisper 吐出 100 个 嗨 · Hojo 吐出 5 个字符 两个都幻觉了，但一个是 100 字，一个是 5 字。

嘈杂街头声音解码，是常用的场景。 我用两个模型做了详细评测。最有意思的是 Hojo 的底座 —— 语音编码器来自 Qwen3-Omni-30B，语言解码器是 Qwen3-4B。

🚀一个文本大模型，凭什么能做语音识别？ 因为 ASR 从来就是两半：声学 + 语言。

「bā shì」这个音，在波形里根本分不出是「巴适」还是「八式」—— 声音里没有这个信息。能定夺的只有语言知识：哪个词真的存在、在这个语境里说得通。

Qwen3-4B 读过整个中文互联网，知道「巴适」是个四川话词。

🔥接法很巧：训练一个适配器，把音频编码成2560维向量，刚好Qwen3-4B刚好接受2560 维。

两个数字一对上，Qwen 就以为自己在读词，其实在听声音。 所以这不是从头训语音识别模型，而是后训练：拿 Qwen3-4B 当初始化权重，连同音频编码器一起全参数微调。

我把它的解码器和原版 Qwen3-4B 逐层比对过，每一层都有变化。所以不是白嫖 Qwen 的语言知识，避免了从零预训练语言能力。这条路叫 Encoder-Adapter-LLM。

最后还有一个牛逼的点： Open ASR Leaderboard全球第 7，开源多语言 ASR 第 1。 五语种平均 WER 3.54%，而且权重开放、评测公开、结果可复现。

现已支持四川话、广东话小语种。 Apache 2.0 开源。