# Qwen3 ASR

## Resumen

Qwen3 ASR es un modelo de reconocimiento automático del habla del equipo Qwen de Alibaba que combina un codificador de audio de estilo Whisper con un decodificador de modelo de lenguaje Qwen3 para la transcripción de voz a texto. El modelo admite la detección automática del idioma y la transcripción multilingüe.

También se incluye un modelo de alineador forzado. Puede utilizarse para asignar marcas de tiempo a una transcripción y su audio proporcionados. Utiliza el mismo modelo de codificador de audio con una cabeza de clasificación que predice la longitud de una palabra. Este modelo puede usarse con la transcripción de cualquier modelo ASR (consulte el ejemplo siguiente con Parakeet CTC).

Puntos de control disponibles:
- [Qwen/Qwen3-ASR-1.7B-hf](https://huggingface.co/Qwen/Qwen3-ASR-1.7B-hf)
- [Qwen/Qwen3-ASR-0.6B-hf](https://huggingface.co/Qwen/Qwen3-ASR-0.6B-hf)
- [Qwen/Qwen3-ForcedAligner-0.6B-hf](https://huggingface.co/Qwen/Qwen3-ForcedAligner-0.6B-hf)

Los siguientes idiomas están admitidos:
- `Qwen3-ASR-1.7B` y `Qwen3-ASR-0.6B`: chino (zh), inglés (en), cantonés (yue), árabe (ar), alemán (de), francés (fr), español (es), portugués (pt), indonesio (id), italiano (it), coreano (ko), ruso (ru), tailandés (th), vietnamita (vi), japonés (ja), turco (tr), hindi (hi), malayo (ms), neerlandés (nl), sueco (sv), danés (da), finés (fi), polaco (pl), checo (cs), filipino (fil), persa (fa), griego (el), húngaro (hu), macedonio (mk), rumano (ro).
- `Qwen3-ForcedAligner-0.6B`: chino (zh), inglés (en), cantonés (yue), francés (fr), alemán (de), italiano (it), japonés (ja), coreano (ko), portugués (pt), ruso (ru), español (es).

Consulte el repositorio original en [QwenLM/Qwen3-ASR](https://github.com/QwenLM/Qwen3-ASR) y el [informe](https://huggingface.co/papers/2601.21337) para obtener más detalles.

Este modelo fue aportado por [Eric Bezzam](https://huggingface.co/bezzam) y [Muhammed Tariq](https://huggingface.co/mbtariq82).

## Uso

### Transcripción simple

La forma más sencilla de transcribir audio es con `apply_transcription_request`, que gestiona el formato de la plantilla de chat por ti; en concreto, es un envoltorio de conveniencia para `apply_chat_template` (consulta [Plantilla de chat](#chat-template) a continuación).

```python
from transformers import AutoProcessor, AutoModelForMultimodalLM

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")
print(f"Model loaded on {model.device} with dtype {model.dtype}")

inputs = processor.apply_transcription_request(
    audio="https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav",
).to(model.device, model.dtype)

output_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]

# Raw output includes language tag and <asr_text> marker
raw = processor.decode(generated_ids)[0]
print(f"Raw: {raw}")

# Parsed output: dict with "language" and "transcription"
parsed = processor.decode(generated_ids, return_format="parsed")[0]
print(f"Parsed: {parsed}")

# Extract only the transcription text
transcription = processor.decode(generated_ids, return_format="transcription_only")[0]
print(f"Transcription: {transcription}")

"""
Raw: language English<asr_text>Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel.
Parsed: {'language': 'English', 'transcription': 'Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel.'}
Transcription: Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel.
"""
```

### Forzar el idioma

Puede forzar el idioma de transcripción como se muestra a continuación.

```python
from transformers import AutoProcessor, AutoModelForMultimodalLM

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

# Without language hint (auto-detect)
inputs = processor.apply_transcription_request(
    audio="https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/mandarin_voxcpm_zh.wav",
).to(model.device, model.dtype)
output_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
print(f"Auto-detect: {processor.decode(generated_ids, return_format='transcription_only')[0]}")

# With forced language
inputs = processor.apply_transcription_request(
    audio="https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/mandarin_voxcpm_zh.wav",
    language="Chinese",  # or language code "zh"
).to(model.device, model.dtype)
output_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
print(f"Forced:      {processor.decode(generated_ids, return_format='transcription_only')[0]}")
```

### Contexto / palabras clave

Puede pasar un contexto libre (por ejemplo, vocabulario específico del dominio, nombres o información de fondo) a través de `prompt` para sesgar la transcripción.

```python
from transformers import AutoProcessor, AutoModelForMultimodalLM

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

inputs = processor.apply_transcription_request(
    audio="https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav",
    prompt="Vocabulary: Quilter, apostle, gospel.",
    language="English",
).to(model.device, model.dtype)

output_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
print(processor.decode(generated_ids, return_format="transcription_only")[0])
```

### Inferencia por lotes

La inferencia por lotes es posible pasando una lista de audios y, si se proporcionan, una lista de idiomas y/o prompts.

```python
from transformers import AutoProcessor, AutoModelForMultimodalLM

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
audio = [
    "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav",
    "https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/mandarin_voxcpm_zh.wav",
]

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

inputs = processor.apply_transcription_request(
    audio,
    prompt=["Vocabulary: Quilter, apostle, gospel.", None],
    language=[None, "zh"],  # language codes ("zh") and full names ("Chinese") are both accepted
).to(model.device, model.dtype)

output_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
transcriptions = processor.decode(generated_ids, return_format="transcription_only")

for i, text in enumerate(transcriptions):
    print(f"Audio {i + 1}: {text}")
```

### Plantilla de chat

Qwen3 ASR también acepta entradas de plantilla de chat. El uso de `apply_transcription_request` [anterior](#simple-transcription) es un envoltorio de conveniencia para `apply_chat_template`.

El idioma puede forzarse a través de la plantilla de chat mediante *prefill* del turno del asistente con `language <NAME><asr_text>` y pasando `continue_final_message=True`, que es lo que hace `apply_transcription_request` internamente. Tenga en cuenta que, si se fuerza el idioma, se debe establecer un prefill para todo el audio de un lote (como se muestra a continuación).

```python
from transformers import AutoProcessor, Qwen3ASRForConditionalGeneration

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3ASRForConditionalGeneration.from_pretrained(model_id, device_map="auto")

chat_template = [
    [
        # Context/hotwords as system message
        {"role": "system", "content": [{"type": "text", "text": "Vocabulary: Quilter, apostle, gospel."}]},
        {
            "role": "user",
            "content": [
                {
                    "type": "audio",
                    "path": "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav",
                },
            ],
        },
        # empty prefill since forcing language in the other sample
        {"role": "assistant", "content": [{"type": "text", "text": ""}]},
    ],
    [
        {
            "role": "user",
            "content": [
                {
                    "type": "audio",
                    "path": "https://huggingface.co/datasets/hf-internal-testing/dummy-audio-samples/resolve/main/mandarin_voxcpm_zh.wav",
                },
            ],
        },
        {"role": "assistant", "content": [{"type": "text", "text": "language Chinese<asr_text>"}]},
    ],
]

inputs = processor.apply_chat_template(
    chat_template, tokenize=True, return_dict=True, continue_final_message=True,
).to(model.device, model.dtype)

output_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
transcriptions = processor.decode(generated_ids, return_format="transcription_only")
for text in transcriptions:
    print(text)
```

### Entrenamiento

Qwen3 ASR se puede entrenar con la pérdida que emite el modelo. Coloque la transcripción objetivo en el turno del asistente — en el formato de salida del modelo `language <NAME><asr_text>...` para preservar el comportamiento preentrenado — y pase `output_labels=True`. Las posiciones de audio y relleno se enmascaran automáticamente.

```python
from transformers import AutoProcessor, Qwen3ASRForConditionalGeneration

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3ASRForConditionalGeneration.from_pretrained(model_id, device_map="auto")
model.train()

transcript = "Mr. Quilter is the apostle of the middle classes, and we are glad to welcome his gospel."
conversation = [
    [
        {
            "role": "user",
            "content": [
                {
                    "type": "audio",
                    "path": "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav",
                },
            ],
        },
        {"role": "assistant", "content": [{"type": "text", "text": f"language English<asr_text>{transcript}"}]},
    ],
]

inputs = processor.apply_chat_template(
    conversation, tokenize=True, return_dict=True, processor_kwargs={"output_labels": True},
).to(model.device, model.dtype)

loss = model(**inputs).loss
print("Loss:", loss.item())
loss.backward()
```

### Alineación forzada (marcas de tiempo a nivel de palabra)

Use `Qwen3ASRForTokenClassification` para obtener marcas de tiempo a nivel de palabra a partir de una transcripción. Primero, transcribe con el modelo ASR y luego alinea con el alineador forzado.

Los siguientes idiomas son compatibles: chino (zh), inglés (en), cantonés (yue), francés (fr), alemán (de), italiano (it), japonés (ja), coreano (ko), portugués (pt), ruso (ru), español (es).

El japonés requiere la biblioteca `nagisa`, mientras que el coreano requiere la biblioteca `soynlp`:
```
pip install nagisa soynlp
```

#### Con Qwen3 ASR

```python
import torch
from transformers import AutoProcessor, AutoModelForMultimodalLM, AutoModelForTokenClassification

asr_model_id = "Qwen/Qwen3-ASR-0.6B-hf"
aligner_model_id = "Qwen/Qwen3-ForcedAligner-0.6B-hf"

asr_processor = AutoProcessor.from_pretrained(asr_model_id)
asr_model = AutoModelForMultimodalLM.from_pretrained(asr_model_id, device_map="auto")

aligner_processor = AutoProcessor.from_pretrained(aligner_model_id)
aligner_model = AutoModelForTokenClassification.from_pretrained(
    aligner_model_id, dtype=torch.bfloat16, device_map="auto"
)

audio_url = "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav"

# Step 1: Transcribe
inputs = asr_processor.apply_transcription_request(audio=audio_url)
inputs = inputs.to(asr_model.device, asr_model.dtype)
output_ids = asr_model.generate(**inputs, max_new_tokens=256)
generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
parsed = asr_processor.decode(generated_ids, return_format="parsed")[0]
transcript = parsed["transcription"]
language = parsed["language"] or "English"

# Step 2: Prepare alignment inputs
aligner_inputs, word_lists = aligner_processor.prepare_forced_aligner_inputs(
    audio=audio_url, transcript=transcript, language=language,
)
aligner_inputs = aligner_inputs.to(aligner_model.device, aligner_model.dtype)

# Step 3: Run forced aligner
with torch.inference_mode():
    outputs = aligner_model(**aligner_inputs)

# Step 4: Decode timestamps
timestamps = aligner_processor.decode_forced_alignment(
    logits=outputs.logits,
    input_ids=aligner_inputs["input_ids"],
    word_lists=word_lists,
    timestamp_token_id=aligner_model.config.timestamp_token_id,
)[0]

for item in timestamps:
    print(f"{item['text']:<20} {item['start_time']:>8.3f}s → {item['end_time']:>8.3f}s")

"""
Word                  Start (s)    End (s)
------------------------------------------
Mr                        0.560      0.800
Quilter                   0.800      1.280
is                        1.280      1.440
the                       1.440      1.520
apostle                   1.520      2.080
...
"""
```

#### Con otro modelo de ASR

El alineador forzado es agnóstico al modelo, lo que significa que se pueden proporcionar transcripciones de cualquier sistema ASR. A continuación se muestra un ejemplo de inferencia por lotes que utiliza [NVIDIA Parakeet CTC](https://huggingface.co/nvidia/parakeet-ctc-1.1b) para la transcripción.

```python
import torch
from datasets import Audio, load_dataset
from transformers import AutoModelForCTC, AutoProcessor, AutoModelForTokenClassification

parakeet_processor = AutoProcessor.from_pretrained("nvidia/parakeet-ctc-1.1b")
parakeet_model = AutoModelForCTC.from_pretrained(
    "nvidia/parakeet-ctc-1.1b", dtype="auto", device_map="auto",
)

aligner_model_id = "Qwen/Qwen3-ForcedAligner-0.6B-hf"
aligner_processor = AutoProcessor.from_pretrained(aligner_model_id)
aligner_model = AutoModelForTokenClassification.from_pretrained(
    aligner_model_id, dtype=torch.bfloat16, device_map="auto",
)

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
ds = ds.cast_column("audio", Audio(sampling_rate=parakeet_processor.feature_extractor.sampling_rate))
audio_arrays = [ds[i]["audio"]["array"] for i in range(3)]
sr = ds[0]["audio"]["sampling_rate"]

# Batch transcribe with Parakeet
inputs = parakeet_processor(audio_arrays, sampling_rate=sr, return_tensors="pt", padding=True).to(
    parakeet_model.device, dtype=parakeet_model.dtype
)
with torch.inference_mode():
    outputs = parakeet_model.generate(**inputs)
transcripts = parakeet_processor.decode(outputs)

# Batch align with Qwen3 Forced Aligner
aligner_inputs, word_lists = aligner_processor.prepare_forced_aligner_inputs(
    audio=audio_arrays, transcript=transcripts, language="English",
)
aligner_inputs = aligner_inputs.to(aligner_model.device, aligner_model.dtype)

with torch.inference_mode():
    aligner_outputs = aligner_model(**aligner_inputs)

batch_timestamps = aligner_processor.decode_forced_alignment(
    logits=aligner_outputs.logits,
    input_ids=aligner_inputs["input_ids"],
    word_lists=word_lists,
    timestamp_token_id=aligner_model.config.timestamp_token_id,
)

for i, (transcript, timestamps) in enumerate(zip(transcripts, batch_timestamps)):
    print(f"\n[Sample {i}] {transcript}")
    for item in timestamps[:5]:
        print(f"  {item['text']:<20} {item['start_time']:>8.3f}s → {item['end_time']:>8.3f}s")
    if len(timestamps) > 5:
        print(f"  ... ({len(timestamps) - 5} more words)")
```

### Torch compile

Tanto los modelos de ASR como los de alineación forzada admiten `torch.compile` para una inferencia más rápida. El alineador forzado es especialmente adecuado para la compilación porque ejecuta una única pasada hacia adelante (sin decodificación autoregresiva). Esto lo hace ideal para **la marcaje de tiempo por lotes de audio**: transcribe con cualquier modelo de ASR y luego alinea por lotes con el alineador forzado compilado para obtener el máximo rendimiento.

#### Alineador forzado

En una A100, observamos una aceleración de ~1.2 para un tamaño de lote de 4 ([script](https://gist.github.com/ebezzam/3e0551708631784aeb684e0e838299f3#file-benchmark_compile_forced_alignment-py)).

```python
import torch
from transformers import AutoProcessor, AutoModelForTokenClassification

model_id = "Qwen/Qwen3-ForcedAligner-0.6B-hf"
num_warmup = 5
batch_size = 4

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForTokenClassification.from_pretrained(model_id, dtype=torch.bfloat16).to("cuda")

# Prepare a batch of 4 samples
audio_url = "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav"
transcript = "Mr. Quilter is the apostle of the middle classes."

aligner_inputs, word_lists = processor.prepare_forced_aligner_inputs(
    audio=[audio_url] * batch_size,
    transcript=[transcript] * batch_size,
    language=["English"] * batch_size,
)
aligner_inputs = aligner_inputs.to(model.device, torch.bfloat16)

# Warm-up and apply model
model = torch.compile(model)
with torch.no_grad():
    for _ in range(num_warmup):
        _ = model(**aligner_inputs)
with torch.no_grad():
    _ = model(**aligner_inputs)
```

#### Modelo de ASR (generate)

Para la transcripción autoregresiva, `torch.compile` acelera las pasadas hacia adelante por token dentro de `generate` al proporcionar un objeto `CompileConfig`.

En una A100, observamos una aceleración de ~3.8 para un tamaño de lote de 4 ([script](https://gist.github.com/ebezzam/3e0551708631784aeb684e0e838299f3#file-benchmark_compile_generate-py)).

```python
import torch
from transformers import AutoProcessor, AutoModelForMultimodalLM, CompileConfig

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
num_warmup = 3
max_new_tokens = 256

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, dtype=torch.bfloat16).to("cuda").eval()

audio_url = "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav"
inputs = processor.apply_transcription_request(
    audio=[audio_url] * 4,  # batch of 4
).to(model.device, torch.bfloat16)

compile_config = CompileConfig()

# Warmup
with torch.inference_mode():
    for _ in range(num_warmup):
        _ = model.generate(
            **inputs, max_new_tokens=max_new_tokens, do_sample=False,
            cache_implementation="static", compile_config=compile_config,
        )
torch.cuda.synchronize()

# Apply model
with torch.inference_mode():
    output_ids = model.generate(
        **inputs, max_new_tokens=max_new_tokens, do_sample=False,
        cache_implementation="static", compile_config=compile_config,
    )
generated_ids = output_ids[:, inputs["input_ids"].shape[1] :]
text_compiled = processor.decode(generated_ids, return_format="transcription_only")[0]
print(f"Output:  {text_compiled}")
```

### Uso de Pipeline

```python
from transformers import pipeline

model_id = "Qwen/Qwen3-ASR-1.7B-hf"
pipe = pipeline("any-to-any", model=model_id, device_map="auto")

chat_template = [
    {
        "role": "user",
        "content": [
            {
                "type": "audio",
                "path": "https://huggingface.co/datasets/bezzam/audio_samples/resolve/main/librispeech_mr_quilter.wav",
            },
        ],
    }
]
outputs = pipe(text=chat_template, return_full_text=False)
raw_text = outputs[0]["generated_text"]
print(f"Raw: {raw_text}")

# Use processor helper to extract transcription
transcription = pipe.processor.extract_transcription(raw_text)
print(f"Transcription: {transcription}")
```

## Qwen3ASRConfig[[transformers.Qwen3ASRConfig]]

#### transformers.Qwen3ASRConfig[[transformers.Qwen3ASRConfig]]

```python
transformers.Qwen3ASRConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, audio_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, audio_token_id: int = 151676, timestamp_token_id: int = 151705, pad_token_id: int = 151645, eos_token_id: list[int] | tuple[int, ...] | int = (151643, 151645), initializer_range: float = 0.02, tie_word_embeddings: bool = True, token_classification_bias: bool = False)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/configuration_qwen3_asr.py#L73)

**Parámetros:**

audio_config (*Union[dict, ~configuration_utils.PreTrainedConfig]*, *opcional*) : El objeto de configuración o el diccionario del backbone de audio.

text_config (*Union[dict, ~configuration_utils.PreTrainedConfig]*, *opcional*) : El objeto de configuración o el diccionario del backbone de texto.

audio_token_id (*int*, *optional*, por defecto 151676) : El id del token de audio para codificar el prompt de audio.

timestamp_token_id (*int*, *optional*, valor predeterminado 151705) : ID del token de la marca `&amp;lt;timestamp>` en el vocabulario del tokenizer. Estas marcas delimitan los límites de las palabras en la secuencia de entrada de alineación forzada.

pad_token_id (*int*, *optional*, por defecto *151645*) : Identificador de token utilizado para el relleno en el vocabulario.

eos_token_id (*Union[list[int], tuple[int, ...], int]*, *opcional*, valor predeterminado *(151643, 151645)*) : Identificador de token utilizado para el fin de la secuencia en el vocabulario.

initializer_range (*float*, *opcional*, valor predeterminado *0.02*) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos.

tie_word_embeddings (*bool*, *opcional*, valor predeterminado *True*) : Si se deben vincular las incrustaciones de pesos según el mapeo *tied_weights_keys* del modelo.

token_classification_bias (*bool*, *opcional*, predeterminado a False) : Si la cabeza de clasificación de tokens para alineación forzada debe tener un término de sesgo.

Esta es la clase de configuración para almacenar la configuración de un Qwen3ASRModel. Se utiliza para instanciar un modelo Qwen3 Asr según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [Qwen/Qwen3-ASR-1.7B-hf](https://huggingface.co/Qwen/Qwen3-ASR-1.7B-hf)

Los objetos de configuración heredan de [*PreTrainedConfig*] y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [*PreTrainedConfig*] para obtener más información.

Ejemplo:

```python
>>> from transformers import Qwen3ASRForConditionalGeneration, Qwen3ASRConfig

>>> # Initializing a Qwen3ASR style configuration
>>> configuration = Qwen3ASRConfig()

>>> # Initializing a model from the configuration
>>> model = Qwen3ASRForConditionalGeneration(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## Qwen3ASREncoderConfig[[transformers.Qwen3ASREncoderConfig]]

#### transformers.Qwen3ASREncoderConfig[[transformers.Qwen3ASREncoderConfig]]

```python
transformers.Qwen3ASREncoderConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, num_mel_bins: int = 128, encoder_layers: int = 24, encoder_attention_heads: int = 16, encoder_ffn_dim: int = 4096, d_model: int = 1024, dropout: float | int = 0.0, attention_dropout: float | int = 0.0, activation_function: str = 'gelu', activation_dropout: float | int = 0.0, scale_embedding: bool = False, initializer_range: float = 0.02, n_window: int = 50, output_dim: int = 3584, n_window_infer: int = 800, downsample_hidden_size: int = 480, max_position_embeddings: int = 13)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/configuration_qwen3_asr.py#L30)

**Parámetros:**

num_mel_bins (*int*, *opcional*, valor predeterminado *128*) : Número de características mel utilizadas por cada cuadro de entrada. Debe corresponder al valor utilizado en la clase *AutoFeatureExtractor*.

encoder_layers (*int*, *optional*, por defecto *24*) : Número de capas ocultas en el codificador Transformer. Usará el mismo valor que *num_layers* si no se establece.

encoder_attention_heads (*int*, *optional*, por defecto *16*) : Número de cabezas de atención para cada capa de atención en el codificador Transformer.

encoder_ffn_dim (*int*, *opcional*, valor predeterminado *4096*) : Dimensionalidad de la capa "intermedia" (a menudo denominada feed-forward) en el codificador.

d_model (*int*, *opcional*, valor predeterminado *1024*) : Tamaño de las capas del codificador y de la capa pooler.

dropout (*Union[float, int]*, *opcional*, valor predeterminado *0.0*) : La proporción para todas las capas de dropout.

attention_dropout (*Union[float, int]*, *opcional*, valor predeterminado *0.0*) : La proporción de dropout para las probabilidades de atención.

activation_function (*str*, *optional*, por defecto *gelu*) : La función de activación no lineal (función o cadena) en el decodificador. Por ejemplo, *"gelu"*, *"relu"*, *"silu"*, etc.

activation_dropout (*Union[float, int]*, *opcional*, valor predeterminado *0.0*) : La proporción de dropout para las activaciones dentro de la capa totalmente conectada.

scale_embedding (*bool*, *opcional*, valor predeterminado *False*) : Si se deben escalar los embeddings dividiendo por sqrt(d_model).

initializer_range (*float*, *opcional*, valor predeterminado *0.02*) : La desviación estándar de truncated_normal_initializer para inicializar todas las matrices de pesos.

n_window (*int*, *optional*, valor predeterminado: 50) : La mitad del número de cuadros mel en un bloque del codificador. Cada bloque procesado por la pila de convoluciones tiene `2 * n_window` cuadros mel (1 segundo de audio a 16 kHz con un salto de 10 ms).

output_dim (*int*, *optional*, por defecto 3584) : Dimensionalidad de la salida.

n_window_infer (*int*, *opcional*, valor predeterminado 800) : Número de fotogramas mel de audio sobre los que se extiende cada ventana de atención. Debe ser un múltiplo de `n_window * 2` para que las ventanas de atención se alineen con los bloques del codificador.

downsample_hidden_size (*int*, *optional*, por defecto 480) : Tamaño oculto de la pila de submuestreo convolucional.

max_position_embeddings (*int*, *optional*, por defecto *13*) : La longitud máxima de secuencia con la que se podría utilizar este modelo.

Esta es la clase de configuración para almacenar la configuración de un Qwen3ASRModel. Se utiliza para instanciar un modelo Qwen3 Asr según los argumentos especificados, definiendo la arquitectura del modelo. Instanciar una configuración con los valores predeterminados producirá una configuración similar a la de [Qwen/Qwen3-ASR-1.7B-hf](https://huggingface.co/Qwen/Qwen3-ASR-1.7B-hf)

Los objetos de configuración heredan de [*PreTrainedConfig*] y se pueden utilizar para controlar las salidas del modelo. Consulte la documentación de [*PreTrainedConfig*] para obtener más información.

## Qwen3ASRFeatureExtractor[[transformers.Qwen3ASRFeatureExtractor]]

#### transformers.Qwen3ASRFeatureExtractor[[transformers.Qwen3ASRFeatureExtractor]]

```python
transformers.Qwen3ASRFeatureExtractor(feature_size = 128, sampling_rate = 16000, hop_length = 160, chunk_length = 30, n_fft = 400, padding_value = 0.0, dither = 0.0, return_attention_mask = True, n_window = 50, min_length = 8000, **kwargs)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/feature_extraction_qwen3_asr.py#L31)

**Parámetros:**

feature_size (*int*, *optional*, por defecto 128) : Número de bancos de filtros mel.

sampling_rate (*int*, *optional*, por defecto 16000) : Tasa de muestreo de audio en Hz.

hop_length (*int*, *optional*, por defecto 160) : Longitud de las ventanas superpuestas para la STFT utilizada para obtener los coeficientes de Frecuencia Mel.

chunk_length (*int*, *opcional*, valor predeterminado 30) : Longitud máxima de audio (en segundos) utilizada para recortar/rellenar cuando `padding="max_length"`.

n_fft (*int*, *optional*, por defecto 400) : Tamaño de la transformada de Fourier.

padding_value (*float*, *optional*, valor predeterminado 0.0) : Valor de relleno utilizado para rellenar el audio sin procesar.

dither (*float*, *opcional*, valor predeterminado 0.0) : Si no es cero, añade ruido gaussiano (*std = dither*) a cada cuadro STFT.

return_attention_mask (*bool*, *opcional*, valor predeterminado *True*) : Indica si se debe devolver la máscara de atención correspondiente a los cuadros mel rellenos.

n_window (*int*, *opcional*, valor predeterminado 50) : Mitad del tamaño del bloque de marcos mel utilizado para el relleno. El eje temporal log-mel se rellena a la derecha hasta un múltiplo de `2 * n_window`.

min_length (*int*, *optional*, valor predeterminado 8000) : Número mínimo de muestras para cada clip de audio. Los clips más cortos que este valor se rellenan con ceros, siguiendo el comportamiento de la biblioteca original Qwen3-ASR.

Construye un extractor de características ASR de Qwen3.

Extrae características log-mel de 128 bins del habla en bruto y luego rellena a la derecha el eje temporal mel hasta un múltiplo de `2 * n_window`.

#### __llamada__[[transformers.Qwen3ASRFeatureExtractor.__call__]]

```python
__call__(raw_speech: numpy.ndarray | list[float] | list[numpy.ndarray] | list[list[float]], truncation: bool = False, pad_to_multiple_of: int | None = None, return_tensors: str | None = 'pt', return_attention_mask: bool | None = None, padding: str | None = 'max_length', max_length: int | None = None, sampling_rate: int | None = None, n_window: int | None = None, device: str | None = 'cpu', **kwargs)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/feature_extraction_qwen3_asr.py#L129)

**Parámetros:**

raw_speech (*np.ndarray*, *list[float]*, *list[np.ndarray]*, *list[list[float]]*) : La secuencia o lote de secuencias que se van a rellenar. Solo audio de un solo canal.

pad_to_multiple_of (*int*, *optional*) : Si se establece, rellena el audio crudo hasta un múltiplo de este valor (en muestras). Independiente de `n_window`, que se aplica al eje de los fotogramas mel.

n_window (*int*, *opcional*) : Anula el `n_window` de la instancia para esta llamada. El eje mel se rellena hasta un múltiplo de `2 * n_window`. Establece `0` para omitir por completo el relleno del eje mel.

device (*str*, *opcional*, valor predeterminado *"cpu"*) : Dispositivo utilizado para calcular el espectrograma log-mel.

Prepara características log-mel a partir de una o varias secuencias de audio.

## Qwen3ASRProcessor[[transformers.Qwen3ASRProcessor]]

#### transformers.Qwen3ASRProcessor[[transformers.Qwen3ASRProcessor]]

```python
transformers.Qwen3ASRProcessor(feature_extractor = None, tokenizer = None, chat_template = None, timestamp_segment_time: float = 80)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/processing_qwen3_asr.py#L333)

**Parámetros:**

feature_extractor (`Qwen3ASRFeatureExtractor`) : El extractor de características es una entrada obligatoria.

tokenizer (`Qwen2Tokenizer`) : El tokenizador es una entrada obligatoria.

chat_template (`str`) : Una plantilla de Jinja para convertir listas de mensajes de un chat en una cadena tokenizable.

timestamp_segment_time (`float`, *opcional*) : Milisegundos por clase de marca de tiempo. El valor predeterminado es 80 ms.

Construye un Qwen3ASRProcessor que envuelve un extractor de características y un tokenizador en un único procesador.

[Qwen3ASRProcessor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor) ofrece todas las funcionalidades de [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor) y [Qwen2Tokenizer](/docs/transformers/v5.23.0/es/model_doc/qwen2#transformers.Qwen2Tokenizer). Consulte [~Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor) y [~Qwen2Tokenizer](/docs/transformers/v5.23.0/es/model_doc/qwen2#transformers.Qwen2Tokenizer) para obtener más información.

#### __llamada__[[transformers.Qwen3ASRProcessor.__call__]]

```python
__call__(text: str | list[str], audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']], output_labels: bool | None = False, **kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/processing_qwen3_asr.py#L366)

**Parámetros:**

text (`Union[str, list[str]]`) : La secuencia o el lote de secuencias que se van a codificar. Cada secuencia puede ser una cadena de caracteres o una lista de cadenas (cadena pretokenizada). Si se pasa una entrada pretokenizada, establezca `is_split_into_words=True` para evitar ambigüedad con las entradas en lote.

audio (`Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]]`) : El audio o lote de audios que se va a preparar. Cada audio puede ser un array de NumPy o un tensor de PyTorch. En el caso de un array de NumPy/tensor de PyTorch, cada audio debe tener la forma (C, T), donde C es el número de canales y T es la longitud de muestra del audio.

output_labels (`bool`, *opcional*, predeterminado=False) : Si se deben devolver etiquetas para el entrenamiento.

return_mm_token_type_ids (`bool`, *kwargs*) : Si se deben devolver los ids de tipo de token multimodal que indican las posiciones de los tokens de marcador multimodal.

return_text_replacement_offsets (`bool`, *kwargs*) : Si se deben devolver los desplazamientos de caracteres para cada marcador de posición multimodal y su reemplazo.

return_tensors (`str` o [TensorType](/docs/transformers/v5.23.0/es/internal/file_utils#transformers.TensorType), *opcional*) : Si se establece, devolverá tensores de un marco de trabajo específico. Los valores aceptables son:  - `'pt'`: Devuelve objetos `torch.Tensor` de PyTorch. - `'np'`: Devuelve objetos `np.ndarray` de NumPy.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/v5.23.0/es/main_classes/processors#transformers.ProcessingKwargs), *opcional*) : Opciones de procesamiento adicionales para cada modalidad (texto, imágenes, vídeos, audio). Los parámetros específicos del modelo se enumeran arriba; consulte la clase TypedDict para obtener la lista completa de argumentos admitidos.

**Devuelve:** [BatchFeature](/docs/transformers/v5.23.0/es/main_classes/feature_extractor#transformers.BatchFeature)

Un diccionario con texto tokenizado (`input_ids`, `attention_mask`) y características de audio (`input_features`, `input_features_mask`).

#### apply_transcription_request[[transformers.Qwen3ASRProcessor.apply_transcription_request]]

```python
apply_transcription_request(audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], list[typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']]]], language: str | list[str] | None = None, prompt: str | list[str] | None = None, tokenize: bool = True, **kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/processing_qwen3_asr.py#L434)

**Parámetros:**

audio (*AudioInput* o *list[AudioInput]*) : Audio para transcribir. Puede ser una cadena de URL, una ruta local, un array de numpy o una lista de estos.

language (*str* o *list[str]*, *opcional*) : Idioma(s) que se debe forzar para la transcripción. Acepta nombres completos (p. ej., `"English"`, `"Chinese"`) o códigos ISO (p. ej., `"en"`, `"zh"`). Una lista debe tener la misma longitud que el lote de audio. Siguiendo la implementación original, el idioma se fuerza añadiendo `language &amp;lt;NAME>&amp;lt;asr_text>` después del prompt de generación, de modo que el modelo genere solo el texto de la transcripción. Cuando es `None`, el modelo realiza una detección automática del idioma y genera `language &amp;lt;NAME>&amp;lt;asr_text>...` por sí mismo.

prompt (*str* o *list[str]*, *opcional*) : Contexto o palabras clave para incluir como indicación del sistema, por ejemplo, palabras o frases específicas del dominio para sesgar la transcripción hacia ellas. Una lista debe tener la misma longitud que el lote de audio. Cuando es *None*, la indicación del sistema se deja vacía.

tokenize (*bool*, *opcional*, valor predeterminado *True*) : Indica si se deben tokenizar los prompts y procesar el audio. Si se establece en *False*, el audio no se carga y los prompts se devuelven como cadenas de texto con marcadores de posición de audio sin expandir. Si se pasan junto con el audio al procesador, *processor(text=prompts, audio=audio)*, se obtienen las mismas salidas que con *tokenize=True*.

- ****kwargs** : Argumentos de palabra clave adicionales que se reenvían a [*~Qwen3ASRProcessor.apply_chat_template*] y a la llamada del procesador subyacente (por ejemplo, *text_kwargs*, *audio_kwargs*, ...).

**Devuelve:** [*BatchFeature*] o *list[str]*

Un prompt por audio cuando *tokenize=False*; de lo contrario, el procesador genera la salida lista para pasarse a [*Qwen3ASRForConditionalGeneration.generate*].

Prepara las entradas para el reconocimiento automático de voz sin escribir manualmente la plantilla de chat.

#### prepare_forced_aligner_inputs[[transformers.Qwen3ASRProcessor.prepare_forced_aligner_inputs]]

```python
prepare_forced_aligner_inputs(audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']], transcript: str | list[str], language: str | list[str] | None = None, **kwargs)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/processing_qwen3_asr.py#L638)

**Parámetros:**

audio (*AudioInput*) : Entrada(s) de audio. Acepta rutas, URL, matrices numpy o una lista de estos.

transcript (*str* o *list[str]*) : Transcripción(es) para alinear con el audio.

language (*str*, *list[str]* o *None*, *opcional*) : Indicación(es) de idioma. Actualmente no se utiliza en la tokenización, pero está reservada para tokenizadores específicos de idioma (p. ej., japonés, coreano).

- ****kwargs** : Argumentos de palabra clave adicionales que se reenvían a [*~Qwen3ASRProcessor.apply_chat_template*].

**Devuelve:** *tuple[BatchFeature, list[list[str]]]*

- `inputs`: Un [*BatchFeature*] con `input_ids`, `attention_mask`, `input_features` y `input_features_mask` listo para el modelo de alineación forzada.
- `word_lists`: una lista (una por muestra) de listas de tokens a nivel de palabra utilizadas para construir la entrada. Pásalas a [*~Qwen3ASRProcessor.decode_forced_alignment*] para asociar marcas de tiempo con palabras.

Prepara las entradas para el modelo de alineación forzada.

#### decode_forced_alignment[[transformers.Qwen3ASRProcessor.decode_forced_alignment]]

```python
decode_forced_alignment(logits, input_ids, word_lists: list[list[str]], timestamp_token_id: int, timestamp_segment_time: float | None = None)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/processing_qwen3_asr.py#L711)

**Parámetros:**

logits (*torch.Tensor* de forma *(batch_size, seq_len, num_labels)*) : Logits de clasificación de [*Qwen3ASRForTokenClassification*].

input_ids (*torch.LongTensor* de forma *(batch_size, seq_len)*) : IDs de tokens de entrada utilizados para la pasada hacia adelante.

word_lists (*list[list[str]]*) : Listas de tokens a nivel de palabra, tal como las devuelve [*~Qwen3ASRProcessor.prepare_forced_aligner_inputs*].

timestamp_token_id (*int*) : ID del token de la marca `&amp;lt;timestamp>` (de `model.config.timestamp_token_id`).

timestamp_segment_time (*float*, *opcional*) : Milisegundos por clase de marca de tiempo. Si no se proporciona, se usa *self.timestamp_segment_time*.

**Devuelve:** *list[list[dict]]*

Una lista por muestra. Cada lista interna contiene diccionarios con las claves `"text"` (*str*), `"start_time"` (*float*, segundos) y `"end_time"` (*float*, segundos).

Decodifica las salidas del modelo de alineador forzado en marcas de tiempo a nivel de palabra.

#### decode[[transformers.Qwen3ASRProcessor.decode]]

```python
decode(*args, return_format = 'raw', **kwargs)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/processing_qwen3_asr.py#L504)

**Parámetros:**

return_format (*str*, *opcional*, valor predeterminado *"raw"*) : Opciones:  - `"raw"`: Devuelve las cadenas decodificadas sin procesar del tokenizador. - `"parsed"`: Devuelve un diccionario (o una lista de diccionarios) con las claves `"language"` y `"transcription"`. - `"transcription_only"`: Extrae solo el texto transcrito (después de `&amp;lt;asr_text>`).  `skip_special_tokens` se fija de forma estricta en `True` para `"parsed"` y `"transcription_only"`.

Reenvía los argumentos al método decode del tokenizador y, opcionalmente, analiza la salida del ASR.

Qwen3 ASR genera la transcripción en el formato: `language &amp;lt;LANG>&amp;lt;asr_text>transcribed text`

## Qwen3ASREncoder[[transformers.Qwen3ASREncoder]]

#### transformers.Qwen3ASREncoder[[transformers.Qwen3ASREncoder]]

```python
transformers.Qwen3ASREncoder(config: Qwen3ASREncoderConfig)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L328)

**Parámetros:**

config ([Qwen3ASREncoderConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASREncoderConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo de audio para Qwen3 ASR sin ninguna cabeza ni proyección en la parte superior.

Este modelo hereda de [PreTrainedModel](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### forward[[transformers.Qwen3ASREncoder.forward]]

```python
forward(input_features: Tensor, input_features_mask: Tensor, **kwargs)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L372)

**Parámetros:**

input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener usando [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor). Consulte [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__) para más detalles ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor) utiliza [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor) para procesar audios).

input_features_mask (`torch.LongTensor` de forma `(batch_size, padded_feature_length)`) : 1 para los fotogramas mel válidos y 0 para el relleno.

**Devuelve:** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/es/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) o `tuple(torch.Tensor)`

Un [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/es/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([Qwen3ASRConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) y las entradas.

El método forward de [Qwen3ASREncoder](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASREncoder) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo.
- **pooler_output** (`torch.Tensor` de forma `(batch_size, hidden_size)`) -- Estado oculto de la última capa del primer token de la secuencia (token de clasificación) después de un procesamiento adicional a través de las capas utilizadas para la tarea de preentrenamiento auxiliar. Por ejemplo, para la familia de modelos BERT, esto devuelve el token de clasificación después de procesarlo a través de una capa lineal y una función de activación tanh. Los pesos de la capa lineal se entrenan a partir del objetivo de predicción de la siguiente oración (clasificación) durante el preentrenamiento.
- **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.

## Qwen3ASRModel[[transformers.Qwen3ASRModel]]

#### transformers.Qwen3ASRModel[[transformers.Qwen3ASRModel]]

```python
transformers.Qwen3ASRModel(config: Qwen3ASRConfig)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L474)

**Parámetros:**

config ([Qwen3ASRConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Qwen3ASR (codificador Whisper afinado, proyector multimodal, modelo de lenguaje Qwen2), sin una cabeza de modelado de lenguaje.

Este modelo hereda de [PreTrainedModel](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### forward[[transformers.Qwen3ASRModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, input_features: typing.Optional[torch.Tensor] = None, input_features_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L532)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/v5.23.0/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`, *opcional*) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener utilizando [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor). Consulte [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__) para más detalles ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor) utiliza [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor) para procesar audios).

input_features_mask (`torch.Tensor` de forma `(batch_size, feature_sequence_length)`) : Máscara para evitar realizar atención en los índices de características de relleno.

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada.  El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada.  Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`).

**Devuelve:** `Qwen3ASRModelOutputWithPast` o `tuple(torch.Tensor)`

Un `Qwen3ASRModelOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([Qwen3ASRConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) y las entradas.

El método forward de [Qwen3ASRModel](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRModel) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **audio_hidden_states** (`torch.Tensor`, *opcional*) -- Estados ocultos de audio proyectados.

#### get_audio_features[[transformers.Qwen3ASRModel.get_audio_features]]

```python
get_audio_features(input_features: Tensor, input_features_mask: LongTensor, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L486)

**Parámetros:**

input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener usando [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor). Consulte [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__) para más detalles ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor) utiliza [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor) para procesar audios).

input_features_mask (`torch.LongTensor` de forma `(batch_size, padded_feature_length)`) : 1 para los fotogramas mel válidos y 0 para el relleno.

**Devuelve:** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/es/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) o `tuple(torch.Tensor)`

Un [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/es/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([Qwen3ASRConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) y las entradas.

Este método se utiliza para obtener las incrustaciones de audio a partir de las características de entrada (un espectrograma mel logarítmico).

- **last_hidden_state** (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`) -- Secuencia de estados ocultos en la salida de la última capa del modelo.
- **pooler_output** (`torch.Tensor` de forma `(batch_size, hidden_size)`) -- Estado oculto de la última capa del primer token de la secuencia (token de clasificación) después de un procesamiento adicional a través de las capas utilizadas para la tarea de preentrenamiento auxiliar. Por ejemplo, para la familia de modelos BERT, esto devuelve el token de clasificación después de procesarlo a través de una capa lineal y una función de activación tanh. Los pesos de la capa lineal se entrenan a partir del objetivo de predicción de la siguiente oración (clasificación) durante el preentrenamiento.
- **hidden_states** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de los embeddings, si el modelo tiene una capa de embedding, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple(torch.Tensor)`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.

#### get_placeholder_mask[[transformers.Qwen3ASRModel.get_placeholder_mask]]

```python
get_placeholder_mask(input_ids: LongTensor, inputs_embeds: Tensor, audio_features: Tensor)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L508)

Obtiene la máscara de marcador de posición multimodal a partir de `input_ids` o `inputs_embeds` y comprueba que la cantidad de tokens de marcador de posición sea igual a la longitud de las características multimodales. Si las longitudes son diferentes, se genera un error.

## Qwen3ASRForConditionalGeneration[[transformers.Qwen3ASRForConditionalGeneration]]

#### transformers.Qwen3ASRForConditionalGeneration[[transformers.Qwen3ASRForConditionalGeneration]]

```python
transformers.Qwen3ASRForConditionalGeneration(config: Qwen3ASRConfig)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L614)

**Parámetros:**

config ([Qwen3ASRConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Qwen3ASR, que consta de un codificador de audio y un modelo de lenguaje.

Este modelo hereda de [PreTrainedModel](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### forward[[transformers.Qwen3ASRForConditionalGeneration.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, input_features: typing.Optional[torch.Tensor] = None, input_features_mask: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L627)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/v5.23.0/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

input_features (`torch.Tensor` de forma `(batch_size, sequence_length, feature_dim)`, *opcional*) : Los tensores correspondientes a las características de audio de entrada. Las características de audio se pueden obtener utilizando [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor). Consulte [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__) para más detalles ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor) utiliza [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor) para procesar audios).

input_features_mask (`torch.Tensor` de forma `(batch_size, feature_sequence_length)`) : Máscara para evitar realizar atención en los índices de características de relleno.

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Esto suele consistir en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.Cache) como entrada, consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada.  El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada.  Si se utilizan `past_key_values`, se espera que el usuario introduzca solo los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida de modelado de lenguaje enmascarado.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`).

logits_to_keep (`Union[int, torch.Tensor]`, *opcional*, valor predeterminado `0`) : Si es un `int`, se calculan los logits para los últimos `logits_to_keep` tokens. Si es `0`, se calculan los logits para todos los `input_ids` (caso especial). Solo se necesitan los logits del último token para la generación, y calcularlos únicamente para ese token puede ahorrar memoria, lo cual se vuelve bastante significativo para secuencias largas o un tamaño de vocabulario grande. Si es un `torch.Tensor`, debe ser de 1D y corresponder a los índices a conservar en la dimensión de longitud de secuencia. Esto es útil al usar el formato de tensor empaquetado (una sola dimensión para el lote y la longitud de secuencia).

**Devuelve:** `Qwen3ASRCausalLMOutputWithPast` o `tuple(torch.Tensor)`

Un `Qwen3ASRCausalLMOutputWithPast` o una tupla de `torch.Tensor` (si se pasa `return_dict=False` o cuando `config.return_dict=False`) que comprende varios elementos según la configuración ([Qwen3ASRConfig](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) y las entradas.

El método forward de [Qwen3ASRForConditionalGeneration](/docs/transformers/v5.23.0/es/model_doc/qwen3_asr#transformers.Qwen3ASRForConditionalGeneration) sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

- **loss** (`torch.Tensor` de forma `(1,)`, *opcional*, se devuelve cuando se proporciona `labels`) -- Pérdida de modelado de lenguaje (para la predicción del siguiente token).
- **logits** (`torch.Tensor` de forma `(batch_size, sequence_length, config.vocab_size)`) -- Puntuaciones de predicción de la cabeza de modelado de lenguaje.
- **past_key_values** (`Cache`, *opcional*, se devuelve cuando se pasa `use_cache=True` o cuando `config.use_cache=True`) -- Es una instancia de [Cache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.Cache).
- **hidden_states** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_hidden_states=True` o cuando `config.output_hidden_states=True`) -- Tupla de `torch.Tensor` (una para la salida de las incrustaciones, si el modelo tiene una capa de incrustaciones, + una para la salida de cada capa) de forma `(batch_size, sequence_length, hidden_size)`.

  Estados ocultos del modelo en la salida de cada capa más las salidas opcionales de la incrustación inicial.
- **attentions** (`tuple[torch.Tensor]`, *opcional*, se devuelve cuando se pasa `output_attentions=True` o cuando `config.output_attentions=True`) -- Tupla de `torch.Tensor` (una por cada capa) de forma `(batch_size, num_heads, sequence_length, sequence_length)`.

  Pesos de atención tras el softmax de atención, utilizados para calcular la media ponderada en las cabezas de autoatención.
- **audio_hidden_states** (`torch.Tensor`, *opcional*) -- Estados ocultos del codificador de audio después de la proyección.

Ejemplo:

```python
>>> from transformers import Qwen3ASRForConditionalGeneration, AutoProcessor

>>> model_id = "Qwen/Qwen3-ASR-1.7B-hf"
>>> processor = AutoProcessor.from_pretrained(model_id)
>>> model = Qwen3ASRForConditionalGeneration.from_pretrained(model_id, device_map="auto")
```

#### get_audio_features[[transformers.Qwen3ASRForConditionalGeneration.get_audio_features]]

```python
get_audio_features(input_features, input_features_mask, **kwargs)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L624)

## Qwen3ASRForTokenClassification[[transformers.Qwen3ASRForTokenClassification]]

#### transformers.Qwen3ASRForTokenClassification[[transformers.Qwen3ASRForTokenClassification]]

```python
transformers.Qwen3ASRForTokenClassification(config)
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/qwen3_asr/modeling_qwen3_asr.py#L695)

**Parámetros:**

config ([`[``GenericForTokenClassification``]`]) : Clase de configuración del modelo con todos los parámetros del modelo. Inicializar con un archivo de configuración no carga los pesos asociados con el modelo, solo la configuración. Consulte el método [from_pretrained()](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) para cargar los pesos del modelo.

El modelo Qwen3 ASR con una cabeza de clasificación de tokens para la predicción de marcas de tiempo (alineación forzada).

Este modelo hereda de [PreTrainedModel](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel). Consulte la documentación de la clase superior para los métodos genéricos que la biblioteca implementa para todos sus modelos (como la descarga o el guardado, el redimensionamiento de las incrustaciones de entrada, la poda de cabezas, etc.).

Este modelo también es una subclase de [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) de PyTorch. Úsalo como un módulo de PyTorch regular y consulta la documentación de PyTorch para todo lo relacionado con el uso y el comportamiento generales.

#### forward[[transformers.Qwen3ASRForTokenClassification.forward]]

```python
forward(input_ids: torch.LongTensor | None = None, attention_mask: torch.Tensor | None = None, position_ids: torch.LongTensor | None = None, past_key_values: Cache | None = None, inputs_embeds: torch.Tensor | None = None, labels: torch.LongTensor | None = None, use_cache: bool | None = None, **kwargs: Unpack[TransformersKwargs])
```

[Fuente](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/modeling_layers.py#L287)

**Parámetros:**

input_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de los tokens de la secuencia de entrada en el vocabulario. El relleno se ignorará de forma predeterminada. Los índices se pueden obtener mediante [AutoTokenizer](/docs/transformers/v5.23.0/es/model_doc/auto#transformers.AutoTokenizer). Consulte [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) y [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/es/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) para obtener más detalles. [¿Qué son los IDs de entrada?](../glossary#input-ids)

attention_mask (`torch.Tensor` de forma `(batch_size, sequence_length)`, *opcional*) : Máscara para evitar realizar atención en los índices de tokens de relleno. Valores de la máscara seleccionados en `[0, 1]`:  - 1 para tokens que **no están enmascarados**, - 0 para tokens que **están enmascarados**.  [¿Qué son las máscaras de atención?](../glossary#attention-mask)

position_ids (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Índices de las posiciones de los tokens de cada secuencia de entrada en las incrustaciones de posición. Seleccionados en el rango `[0, config.n_positions - 1]`.  [¿Qué son los IDs de posición?](../glossary#position-ids)

past_key_values (`Cache`, *opcional*) : Estados ocultos precalculados (claves y valores en los bloques de autoatención y en los bloques de atención cruzada) que se pueden utilizar para acelerar la decodificación secuencial. Normalmente, esto consiste en los `past_key_values` devueltos por el modelo en una etapa anterior de la decodificación, cuando `use_cache=True` o `config.use_cache=True`.  Solo se permite una instancia de [Cache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.Cache) como entrada; consulte nuestra [guía de caché kv](https://huggingface.co/docs/transformers/en/kv_cache). Si no se pasan `past_key_values`, se inicializará [DynamicCache](/docs/transformers/v5.23.0/es/internal/generation_utils#transformers.DynamicCache) de forma predeterminada.  El modelo devolverá el mismo formato de caché que se haya proporcionado como entrada.  Si se utilizan `past_key_values`, se espera que el usuario introduzca únicamente los `input_ids` no procesados (aquellos que no tienen sus estados de clave y valor previos dados a este modelo) con forma `(batch_size, unprocessed_length)` en lugar de todos los `input_ids` con forma `(batch_size, sequence_length)`.

inputs_embeds (`torch.Tensor` de forma `(batch_size, sequence_length, hidden_size)`, *opcional*) : Opcionalmente, en lugar de pasar `input_ids`, puedes elegir pasar directamente una representación incrustada. Esto es útil si deseas tener más control sobre cómo convertir los índices de `input_ids` en los vectores asociados que en la matriz de búsqueda de incrustaciones interna del modelo.

labels (`torch.LongTensor` de forma `(batch_size, sequence_length)`, *opcional*) : Etiquetas para calcular la pérdida de clasificación de tokens. Los índices deben estar en `[0, ..., config.num_labels - 1]`.

use_cache (`bool`, *opcional*) : Si se establece en `True`, se devuelven los estados de valores clave `past_key_values` y pueden usarse para acelerar la decodificación (ver `past_key_values`).

**Devuelve:** `TokenClassifierOutput`

El método forward de `GenericForTokenClassification` sobrescribe el método especial `__call__`.

Aunque la receta para la pasada hacia adelante debe definirse dentro de esta función, se debe llamar a la instancia de `Module` después, en lugar de a esta, ya que la primera se encarga de ejecutar los pasos de preprocesamiento y posprocesamiento, mientras que la segunda los ignora silenciosamente.

