Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布
先了解这件事
2026年10月16日，X 用户 Rohan Paul (@rohanpaul_ai) 报道称，开源多语言 ASR 模型 Hojo-ASR-Multi-V1 发布，在 5 种语言上取得 3.54 的平均 WER。该模型采用声学编码器加 Qwen3-4B 解码器的架构，据称在 Hugging Face 上以 Apache 2.0 许可公开提供，可通过 hojo-asr Python 包安装，并支持本地推理。同日另一篇报道解析其 Encoder-Adapter-LLM 架构：encoder 提取声学信息，adapter 将特征桥接进 LLM，Qwen3-4B 利用语言上下文生成文本；报道同时提出，当语音口语化或杂乱时语言上下文可能有帮助，但弱音频幻觉和过度纠正值得仔细测试。第三篇报道提出一项边界实验，计划将 Hojo-ASR-Multi-V1 与现有 ASR 技术栈对比测试，公布音频条件、硬件、设置、真实标注和原始输出，以找出 3.54 WER 在哪里失效。目前进展停留在发布与实验设想阶段。
AI 根据报道生成 · 1 小时前更新
事件进展
3 个进展
- 10月16日 15:27 · 1 篇报道Hojo-ASR-Multi-V1 的 3.54 WER 边界实验Rohan Paul：Hojo-ASR-Multi-V1 的 3.54 WER 边界实验
- 10月16日 15:27 · 1 篇报道Hojo-ASR-Multi-V1 模型发布Rohan Paul：Hojo-ASR-Multi-V1 语音识别架构解析
- 10月16日 15:27 · 1 篇报道Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布Rohan Paul：Hojo-ASR-Multi-V1 开源多语言 ASR 模型发布，5 种语言平均 WER 3.54
报道时间线
沿着报道，了解事件的不同侧面。
- Rohan PaulHojo-ASR-Multi-V1 的 3.54 WER 边界实验
这个有趣的实验基本上是这样的：找出 3.54 WER 在哪里失效。 将 HojoAI/Hojo-ASR-Multi-V1 与已在使用的 ASR 技术栈进行对比测试，公布音频条件、硬件、设置、真实标注和原始输出，然后准确展示每个模型在哪里失败。
- Rohan PaulHojo-ASR-Multi-V1 语音识别架构解析
Encoder-Adapter-LLM 架构将"听音频"与"对转录文本进行推理"分开：encoder 提取声学信息，adapter 将这些特征桥接进 LLM，Qwen3-4B 利用语言上下文生成文本。 当语音变得口语化或杂乱时，这种语言上下文可能有帮助，但这也让弱音频幻觉和过度纠正值得仔细测试。 https://huggingface.co/HojoAI/Hojo-ASR-Multi-V1
- Rohan PaulHojo-ASR-Multi-V1 开源多语言 ASR 模型发布，5 种语言平均 WER 3.54
开源多语言 ASR 模型 Hojo-ASR-Multi-V1 在 5 种语言上取得 3.54 的平均 WER，采用声学编码器加 Qwen3-4B 解码器的架构。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。