NVIDIA刚刚发布了Canary-Qwen-2.5B，这是一款突破性的自动语音识别（ASR）和语言模型(LLM)混合模型，以创纪录的5.63%词错率(WER)荣登Hugging Face OpenASR排行榜榜首。该模型获得CC-BY许可，具有商业许可和开源特性，为企业级语音AI发展扫清了障碍。
技术突破:统一语音理解与语言处理
此次发布标志着重要的技术里程碑，Canary-Qwen-2.5B将转录和语言理解统一到单一模型架构中，支持直接从音频执行摘要和问答等下游任务。这种创新架构彻底改变了传统ASR流程，将转录和后处理从独立阶段整合为统一工作流程。
关键性能指标
该模型在多个维度创下新纪录:
- 准确性:5.63% WER，Hugging Face OpenASR排行榜最低
- 速度:RTFx为418，可比实时速度快418倍处理音频
- 效率:仅25亿参数，相比性能较差的大型模型更为紧凑
- 训练规模:基于234，000小时多样化英语语音数据集
创新混合架构设计
Canary-Qwen-2.5B的核心创新在于其混合架构，包含两个关键组件:
FastConformer编码器专门用于低延迟和高精度转录，而Qwen3-1.7B LLM解码器则是未经修改的预训练大型语言模型，通过适配器接收音频转录标记。
这种适配器设计确保了模块化，允许Canary编码器分离，并将Qwen3-1.7B作为独立LLM运行用于基于文本的任务。单一部署即可处理口语和书面输入的下游语言任务，提升了多模态灵活性。
企业级应用价值
与许多受非商业许可约束的研究模型不同，Canary-Qwen-2.5B采用CC-BY许可发布，开启了广泛的商业应用场景:
- 企业转录服务
- 基于音频的知识提取
- 实时会议总结
- 语音控制的AI代理
- 符合法规要求的文档处理（医疗保健、法律、金融）
该模型的LLM感知解码功能还提升了标点符号、大写字母和上下文准确度，这些往往是传统ASR输出的薄弱环节。
硬件兼容性与部署灵活性
Canary-Qwen-2.5B针对多种NVIDIA GPU进行了优化，支持从数据中心的A100、H100到工作站RTX PRO6000，再到消费级GeForce RTX5090等硬件。这种跨硬件类别的扩展性使其适用于云推理和内部边缘工作负载。
开源推动行业发展
通过开源该模型及其训练方案，NVIDIA研究团队旨在促进社区驱动的语音AI进步。开发者可以混合搭配其他兼容NeMo的编码器和LLM，为新领域或语言创建特定任务的混合模型。
该版本还为以LLM为中心的ASR开创了先河，其中LLM不再是后处理器，而是集成在语音转文本流程中的核心代理。这种方法反映了向代理模型迈进的更广阔趋势——能够基于现实世界多模态输入进行全面理解和决策的系统。
NVIDIA的Canary-Qwen-2.5B不仅仅是一个ASR模型，更是将语音理解与通用语言模型相集成的蓝图。凭借SoTA性能、商业可用性以及开放的创新途径，该版本有望成为企业、开发者和研究人员解锁下一代语音优先AI应用的基础工具。
地址：https://huggingface.co/nvidia/canary-qwen-2.5b