dseditor/TEA-ASR-1.1-CrispASR-GGUF

TEA-ASR-1.1 — CrispASR 相容 GGUF（單檔融合式）

JacobLinCool/TEA-ASR-1.1 （Qwen/Qwen3-ASR-1.7B 的台灣國語／繁體中文／中英夾雜微調）轉為 CrispASR 可直接載入的 GGUF。

為什麼需要這一份轉檔

HuggingFace 上既有的 mradermacher/TEA-ASR-1.1-GGUF 無法用於 CrispASR： 那是 llama.cpp 的 mtmd 拆檔慣例 —— 文字模型（general.architecture=qwen3vl） 與音訊塔（獨立的 clip / mmproj 檔）分開存放；而 CrispASR 的 qwen3 後端讀的是 單檔融合式 qwen3asr（audio.* 與 blk.* 在同一顆檔案裡），且沒有載入外掛 mmproj 的參數。

本檔以 CrispASR 官方的 models/convert-qwen3-asr-to-gguf.py 從原始 safetensors 重新轉換，再用 crispasr-quantize 壓成 q8_0。

轉換時需修正官方轉換器的一處判讀：TEA-ASR 的 tie_word_embeddings 位於 thinker_config.text_config 之下，而轉換器只讀 thinker_config 頂層 → 誤判為 false 而漏寫 output.weight，載入時會報 qwen3_asr: required tensor 'output.weight' not found in GGUF。 補上 text_config 的後備讀取即可（成品為 710 張量，與官方 Qwen3-ASR GGUF 一致）。

檔案

檔案	大小	說明
tea-asr-1.1-q8_0.gguf	2.51 GB	Q8_0 量化，710 張量（audio 399 + LLM 308 + embd/norm/output）

用法

crispasr.exe -m tea-asr-1.1-q8_0.gguf --backend qwen3-1.7b \
             --gpu-backend vulkan -dev 0 -l zh -nf -np -f audio.mp3

字級時間軸再掛上 forced aligner：

crispasr.exe -m tea-asr-1.1-q8_0.gguf --backend qwen3-1.7b --gpu-backend vulkan \
             -l zh -osrt -ml 1 -am qwen3-forced-aligner-0.6b-q5_0.gguf -falign \
             -nf -f audio.mp3

適用範圍（實測）

在 CrispASR（--backend qwen3-1.7b, Vulkan / CUDA，RTX 5090）上以繁中新聞、訪談與歌曲素材實測：

• ✅ 乾淨人聲（訪談、質詢、講座）：辨識品質最佳，且原生輸出繁體與台灣用語， 中英夾雜（"很 resent"、"打高 golf"）保留良好，不需要 OpenCC 簡繁轉換。
• ⚠️ 背景配樂較重的段落或歌曲：該段可能整段無輸出（模型立即產生 EOS）。 同一素材以 Qwen/Qwen3-ASR-1.7B 則正常輸出。

此行為在未量化的 F16 轉檔上同樣出現，因此與本處的 GGUF 轉換／量化無關， 應為上游輕量微調（凍結音訊編碼器 + 解碼器 LoRA、< 10 小時公開語料）的域外行為。 音樂類素材建議改用通用的 Qwen3-ASR。

授權與致謝

MIT，沿用上游 JacobLinCool/TEA-ASR-1.1 （其基礎為 Apache-2.0 的 Qwen/Qwen3-ASR-1.7B）。推理引擎為 CrispStrobe/CrispASR。 本轉檔僅做格式轉換與量化，未改動任何權重數值。