# Qwen3 ASR

## 개요

Qwen3 ASR은 Alibaba의 Qwen 팀에서 개발한 자동 음성 인식 모델로, Whisper 스타일의 오디오 인코더와 Qwen3 언어 모델 디코더를 결합하여 음성에서 텍스트로 변환하는 작업을 수행합니다. 이 모델은 자동 언어 감지 및 다국어 전사를 지원합니다.

Forced aligner 모델도 포함되어 있습니다. 이 모델은 제공된 전사본과 오디오에 타임스탬프를 부여하는 데 사용할 수 있습니다. 동일한 오디오 인코더 모델에 단어 길이를 예측하는 분류 헤드를 사용합니다. 이 모델은 어떤 ASR 모델의 전사본과도 함께 사용할 수 있습니다(아래의 Parakeet CTC 예시를 참조하세요).

사용 가능한 체크포인트:
- [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)

다음 언어가 지원됩니다:
- `Qwen3-ASR-1.7B` 및 `Qwen3-ASR-0.6B`: 중국어(zh), 영어(en), 광동어(yue), 아랍어(ar), 독일어(de), 프랑스어(fr), 스페인어(es), 포르투갈어(pt), 인도네시아어(id), 이탈리아어(it), 한국어(ko), 러시아어(ru), 태국어(th), 베트남어(vi), 일본어(ja), 터키어(tr), 힌디어(hi), 말레이어(ms), 네덜란드어(nl), 스웨덴어(sv), 덴마크어(da), 핀란드어(fi), 폴란드어(pl), 체코어(cs), 필리핀어(fil), 페르시아어(fa), 그리스어(el), 헝가리어(hu), 마케도니아어(mk), 루마니아어(ro).
- `Qwen3-ForcedAligner-0.6B`: 중국어(zh), 영어(en), 광동어(yue), 프랑스어(fr), 독일어(de), 이탈리아어(it), 일본어(ja), 한국어(ko), 포르투갈어(pt), 러시아어(ru), 스페인어(es).

자세한 내용은 [QwenLM/Qwen3-ASR](https://github.com/QwenLM/Qwen3-ASR)의 원본 저장소와 [보고서](https://huggingface.co/papers/2601.21337)를 참고하세요.

이 모델은 [Eric Bezzam](https://huggingface.co/bezzam)님과 [Muhammed Tariq](https://huggingface.co/mbtariq82)님이 기여했습니다.

## 사용

### 간단한 전사

음성을 전사하는 가장 간단한 방법은 `apply_transcription_request`를 사용하는 것입니다. 이 함수는 채팅 템플릿 포맷팅을 처리해 주며, `apply_chat_template`의 편의 래퍼입니다(아래 [채팅 템플릿](#chat-template) 참고).

```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.
"""
```

### 언어 강제

아래와 같이 전사 언어를 지정할 수 있습니다.

```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]}")
```

### 컨텍스트 / 핫워드

`prompt`를 통해 자유 형식의 컨텍스트(예: 도메인별 어휘, 이름, 배경 정보)를 전달하여 전사 결과를 유도할 수 있습니다.

```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])
```

### 배치 추론

list 형태의 오디오를 전달하고, 제공된 경우 언어 및/또는 프롬프트의 list를 전달하여 배치 추론이 가능합니다.

```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}")
```

### 채팅 템플릿

Qwen3 ASR는 채팅 템플릿 입력도 지원합니다. [위](#simple-transcription)의 `apply_transcription_request` 사용법은 `apply_chat_template`를 위한 편의 래퍼입니다.

언어는 *prefilling*을 통해 어시스턴트 턴을 `language <NAME><asr_text>`로 채우고 `continue_final_message=True`를 전달하여 강제할 수 있습니다. `apply_transcription_request`가 내부적으로 수행하는 방식이 바로 이것입니다. 언어를 강제하는 경우, 배치 내 모든 오디오에 대해 prefill을 설정해야 합니다(아래와 같이).

```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)
```

### 학습

Qwen3 ASR은 모델이 출력하는 손실로 학습할 수 있습니다. 사전 학습된 동작을 유지하기 위해 대상 전사본을 어시스턴트 턴에 모델 출력 형식인 `language <NAME><asr_text>...`으로 배치하고 `output_labels=True`를 전달하세요. 오디오 및 패딩 위치는 자동으로 마스킹됩니다.

```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()
```

### 강제 정렬(단어 수준 타임스탬핑)

`Qwen3ASRForTokenClassification`를 사용하여 전사본에서 단어 수준의 타임스탬프를 가져옵니다. 먼저 ASR 모델로 전사한 후, forced aligner로 정렬합니다.

다음 언어가 지원됩니다: 중국어(zh), 영어(en), 광동어(yue), 프랑스어(fr), 독일어(de), 이탈리아어(it), 일본어(ja), 한국어(ko), 포르투갈어(pt), 러시아어(ru), 스페인어(es).

일본어에는 `nagisa` 라이브러리가, 한국어에는 `soynlp` 라이브러리가 필요합니다:
```
pip install nagisa soynlp
```

#### Qwen3 ASR를(을) 사용하여

```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
...
"""
```

#### 다른 ASR 모델

Forced aligner는 모델에 종속되지 않으므로, 어떤 ASR 시스템에서 생성된 전사 텍스트도 사용할 수 있습니다. 아래는 [NVIDIA Parakeet CTC](https://huggingface.co/nvidia/parakeet-ctc-1.1b)를 사용하여 전사를 수행하는 배치 추론 예시입니다.

```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

ASR 모델과 forced aligner 모델 모두 추론 속도를 높이기 위해 `torch.compile`을 지원합니다. forced aligner는 단일 forward pass만 수행하므로(autoregressive decoding 없음) 컴파일과 특히 잘 어울립니다. 이를 통해 **대량 오디오 타임스탬핑**에 이상적입니다. 임의의 ASR 모델로 전사한 후, 컴파일된 forced aligner로 배치 정렬을 수행하여 최대 처리량을 확보할 수 있습니다.

#### 강제 정렬기

A100에서 배치 크기가 4일 때 약 1.2배의 속도 향상을 관찰했습니다([스크립트](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)
```

#### ASR 모델 (generate)

자기회귀 전사에서는 `CompileConfig` 객체를 설정하여 `generate` 내부의 토큰별 forward pass를 `torch.compile`로 가속화할 수 있습니다.

A100에서 배치 크기가 4일 때 약 3.8배의 속도 향상을 관찰했습니다([스크립트](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}")
```

### Pipeline 사용

```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)
```

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

**매개변수:**

audio_config (*Union[dict, ~configuration_utils.PreTrainedConfig]*, *optional*) : 오디오 백본의 config 객체 또는 사전입니다.

text_config (*Union[dict, ~configuration_utils.PreTrainedConfig]*, *optional*) : 텍스트 백본의 config 객체 또는 사전입니다.

audio_token_id (*int*, *optional*, 기본값 151676) : 오디오 프롬프트를 인코딩할 오디오 토큰 ID입니다.

timestamp_token_id (*int*, *optional*, 기본값 151705) : 토크나이저 어휘에서 `&amp;lt;timestamp>` 마커의 토큰 ID입니다. 이러한 마커는 강제 정렬(forced-alignment) 입력 시퀀스에서 단어 경계를 구분합니다.

pad_token_id (*int*, *optional*, 기본값 *151645*) : 어휘에서 패딩에 사용되는 토큰 ID입니다.

eos_token_id (*Union[list[int], tuple[int, ...], int]*, *optional*, 기본값 *(151643, 151645)*) : 어휘에서 스트림 종료에 사용되는 토큰 ID입니다.

initializer_range (*float*, *optional*, 기본값 *0.02*) : 모든 가중치 행렬을 초기화하기 위한 truncated_normal_initializer의 표준 편차입니다.

tie_word_embeddings (*bool*, *optional*, 기본값 *True*) : 모델의 *tied_weights_keys* 매핑에 따라 가중치 임베딩을 묶을지 여부.

token_classification_bias (*bool*, *optional*, 기본값 False) : 강제 정렬을 위한 토큰 분류 헤드에 편향 항을 포함할지 여부.

이것은 Qwen3ASRModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Qwen3 Asr 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [Qwen/Qwen3-ASR-1.7B-hf](https://huggingface.co/Qwen/Qwen3-ASR-1.7B-hf)와 유사한 구성이 생성됩니다.

Configuration 객체는 [*PreTrainedConfig*]에서 상속되며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [*PreTrainedConfig*]의 문서를 참고하세요.

예:

```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)
```

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

**매개변수:**

num_mel_bins (*int*, *optional*, 기본값 *128*) : 각 입력 프레임에 사용되는 mel 특징의 수입니다. *AutoFeatureExtractor* 클래스에서 사용된 값과 일치해야 합니다.

encoder_layers (*int*, *optional*, 기본값 *24*) : Transformer 인코더의 숨겨진 레이어 수입니다. 설정되지 않으면 *num_layers*와 동일한 값을 사용합니다.

encoder_attention_heads (*int*, *optional*, 기본값 *16*) : Transformer 인코더의 각 어텐션 레이어에 사용할 어텐션 헤드 수입니다.

encoder_ffn_dim (*int*, *optional*, 기본값 *4096*) : 인코더의 "intermediate"(일반적으로 feed-forward라고도 함) 레이어의 차원.

d_model (*int*, *optional*, 기본값 *1024*) : 인코더 레이어와 풀러 레이어의 크기.

dropout (*Union[float, int]*, *선택 사항*, 기본값 *0.0*) : 모든 dropout 레이어의 비율입니다.

attention_dropout (*Union[float, int]*, *선택 사항*, 기본값 *0.0*) : attention 확률에 적용할 dropout 비율입니다.

activation_function (*str*, *optional*, 기본값 *gelu*) : 디코더의 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어, *"gelu"*, *"relu"*, *"silu"* 등이 있습니다.

activation_dropout (*Union[float, int]*, *선택 사항*, 기본값 *0.0*) : 완전 연결 계층 내부 활성화의 dropout 비율입니다.

scale_embedding (*bool*, *optional*, 기본값 *False*) : sqrt(d_model)로 나누어 임베딩을 스케일링할지 여부.

initializer_range (*float*, *optional*, 기본값 *0.02*) : 모든 가중치 행렬을 초기화하기 위한 truncated_normal_initializer의 표준 편차입니다.

n_window (*int*, *optional*, 기본값 50) : 인코더 청크 하나당 멜 프레임 수의 절반. 컨볼루션 스택이 처리하는 각 청크에는 `2 * n_window`개의 멜 프레임이 포함됩니다(10 ms 홉을 사용하는 16 kHz 오디오의 1초 분량).

output_dim (*int*, *optional*, 기본값 3584) : 출력의 차원.

n_window_infer (*int*, *optional*, 기본값 800) : 각 attention window가 커버하는 오디오의 mel 프레임 수. attention window가 encoder chunk와 정렬되도록 `n_window * 2`의 배수여야 합니다.

downsample_hidden_size (*int*, *optional*, 기본값 480) : 합성곱 다운샘플링 스택의 숨겨진 크기(hidden size).

max_position_embeddings (*int*, *optional*, 기본값 *13*) : 이 모델이 사용될 수 있는 최대 시퀀스 길이입니다.

이것은 Qwen3ASRModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Qwen3 Asr 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [Qwen/Qwen3-ASR-1.7B-hf](https://huggingface.co/Qwen/Qwen3-ASR-1.7B-hf)와 유사한 구성이 생성됩니다.

Configuration 객체는 [*PreTrainedConfig*]에서 상속되며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [*PreTrainedConfig*]의 문서를 참고하세요.

## 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)
```

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

**매개변수:**

feature_size (*int*, *optional*, 기본값 128) : mel 필터 뱅크의 수.

sampling_rate (*int*, *optional*, 기본값 16000) : Hz 단위의 오디오 샘플링 레이트.

hop_length (*int*, *optional*, 기본값 160) : Mel Frequency 계수를 얻기 위해 사용되는 STFT의 겹치는 윈도우 길이.

chunk_length (*int*, *optional*, 기본값 30) : `padding="max_length"`일 때 자르거나 패딩하는 데 사용되는 최대 오디오 길이(초).

n_fft (*int*, *optional*, 기본값 400) : 푸리에 변환의 크기.

padding_value (*float*, *optional*, 기본값 0.0) : 원시 오디오를 패딩하는 데 사용되는 패딩 값입니다.

dither (*float*, *optional*, 기본값 0.0) : 0이 아닌 경우, 각 STFT 프레임에 가우시안 노이즈(*std = dither*)를 추가합니다.

return_attention_mask (*bool*, *optional*, 기본값 *True*) : 패딩된 멜 프레임에 해당하는 어텐션 마스크를 반환할지 여부.

n_window (*int*, *optional*, 기본값 50) : 패딩에 사용되는 mel-frame 청크 크기의 절반입니다. log-mel 시간 축은 `2 * n_window`의 배수가 되도록 오른쪽으로 패딩됩니다.

min_length (*int*, *optional*, 기본값 8000) : 각 오디오 클립의 최소 샘플 수입니다. 이 값보다 짧은 클립은 0으로 패딩되며, 이는 원래 Qwen3-ASR 라이브러리의 동작과 일치합니다.

Qwen3 ASR feature extractor를 생성합니다.

`2 * n_window`의 배수가 되도록 mel 시간 축을 오른쪽으로 패딩한 후, 원시 음성에서 128-bin log-mel 특징을 추출합니다.

#### __call__[[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)
```

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

**매개변수:**

raw_speech (*np.ndarray*, *list[float]*, *list[np.ndarray]*, *list[list[float]]*) : 패딩할 시퀀스 또는 시퀀스 배치입니다. 단일 채널 오디오만 지원합니다.

pad_to_multiple_of (*int*, *optional*) : 설정된 경우, 원시 오디오를 해당 값(샘플 단위)의 배수로 패딩합니다. `n_window`는 mel-frame 축에 적용되므로 이 값과 구별됩니다.

n_window (*int*, *optional*) : 이 호출에 대해 인스턴스의 `n_window`를 재정의합니다. mel 축은 `2 * n_window`의 배수로 패딩됩니다. mel 축 패딩을 완전히 건너뛰려면 `0`으로 설정합니다.

device (*str*, *optional*, 기본값 *"cpu"*) : log-mel spectrogram을 계산하는 데 사용되는 Device입니다.

하나 이상의 오디오 시퀀스에서 log-mel 특징을 준비합니다.

## Qwen3ASRProcessor[[transformers.Qwen3ASRProcessor]]

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

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

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

**매개변수:**

feature_extractor (`Qwen3ASRFeatureExtractor`) : feature extractor는 필수 입력입니다.

tokenizer (`Qwen2Tokenizer`) : 토크나이저는 필수 입력값입니다.

chat_template (`str`) : 채팅의 메시지 목록을 토큰화 가능한 문자열로 변환하는 Jinja 템플릿입니다.

timestamp_segment_time (`float`, *선택 사항*) : 타임스탬프 클래스당 밀리초 수. 기본값은 80 ms입니다.

feature extractor와 tokenizer를 단일 processor로 감싸는 Qwen3ASRProcessor를 생성합니다.

[Qwen3ASRProcessor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor)는 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)와 [Qwen2Tokenizer](/docs/transformers/v5.23.0/ko/model_doc/qwen2#transformers.Qwen2Tokenizer)의 모든 기능을 제공합니다. 자세한 내용은 [~Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)와 [~Qwen2Tokenizer](/docs/transformers/v5.23.0/ko/model_doc/qwen2#transformers.Qwen2Tokenizer)를 참고하세요.

#### __call__[[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'>)
```

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

**매개변수:**

text (`Union[str, list[str]]`) : 인코딩할 시퀀스 또는 시퀀스 배치입니다. 각 시퀀스는 문자열 또는 문자열 목록(사전 토큰화된 문자열)일 수 있습니다. 사전 토큰화된 입력을 전달하는 경우, 배치 입력과의 혼동을 피하기 위해 `is_split_into_words=True`를 설정하세요.

audio (`Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]]`) : 준비할 오디오 또는 오디오 배치입니다. 각 오디오는 NumPy 배열 또는 PyTorch 텐서일 수 있습니다. NumPy 배열/PyTorch 텐서의 경우, 각 오디오의 shape은 (C, T)여야 하며, 여기서 C는 채널 수, T는 오디오의 샘플 길이입니다.

output_labels (`bool`, *선택*, 기본값=False) : 학습용 라벨을 반환할지 여부.

return_mm_token_type_ids (`bool`, *kwargs*) : 멀티모달 플레이스홀더 토큰의 위치를 나타내는 멀티모달 토큰 타입 ID를 반환할지 여부.

return_text_replacement_offsets (`bool`, *kwargs*) : 각 멀티모달 플레이스홀더 및 그 대체 문자열의 문자 오프셋을 반환할지 여부.

return_tensors (`str` 또는 [TensorType](/docs/transformers/v5.23.0/ko/internal/file_utils#transformers.TensorType), *optional*) : 설정된 경우, 특정 프레임워크의 텐서를 반환합니다. 허용되는 값은 다음과 같습니다:  - `'pt'`: PyTorch `torch.Tensor` 객체를 반환합니다. - `'np'`: NumPy `np.ndarray` 객체를 반환합니다.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/v5.23.0/ko/main_classes/processors#transformers.ProcessingKwargs), *optional*) : 각 모달리티(텍스트, 이미지, 비디오, 오디오)에 대한 추가 처리 옵션입니다. 모델별 매개변수는 위에 나열되어 있으며, 지원되는 인수의 전체 목록은 TypedDict 클래스를 참조하세요.

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

토큰화된 텍스트(`input_ids`, `attention_mask`)와 오디오 특징(`input_features`, `input_features_mask`)을 포함하는 사전입니다.

#### 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'>)
```

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

**매개변수:**

audio (*AudioInput* 또는 *list[AudioInput]*) : 전사할 오디오입니다. URL 문자열, 로컬 경로, numpy 배열 또는 이들의 목록일 수 있습니다.

language (*str* 또는 *list[str]*, *선택*) : 전사를 위해 강제할 언어입니다. 전체 이름(예: `"English"`, `"Chinese"`) 또는 ISO 코드(예: `"en"`, `"zh"`)를 허용합니다. 리스트는 오디오 배치와 동일한 길이를 가져야 합니다. 원래 구현을 따르며, 생성 프롬프트 뒤에 `language &amp;lt;NAME>&amp;lt;asr_text>`를 추가하여 언어를 강제하므로 모델은 전사 텍스트만 생성합니다. `None`인 경우, 모델은 자동 언어 감지를 수행하고 `language &amp;lt;NAME>&amp;lt;asr_text>...`를 자체적으로 출력합니다.

prompt (*str* 또는 *list[str]*, *선택*) : 시스템 프롬프트로 포함할 컨텍스트/핫워드입니다. 예를 들어, 전사 결과를 특정 방향으로 유도하기 위한 도메인별 단어 또는 구문입니다. 리스트의 길이는 오디오 배치와 동일해야 합니다. *None*인 경우 시스템 프롬프트는 비워 두게 됩니다.

tokenize (*bool*, *optional*, 기본값 *True*) : 프롬프트를 토큰화하고 오디오를 처리할지 여부입니다. *False*인 경우 오디오가 로드되지 않고, 오디오 플레이스홀더가 확장되지 않은 문자열로 프롬프트가 반환됩니다. 이 프롬프트를 오디오와 함께 프로세서에 전달하면 *processor(text=prompts, audio=audio)*, *tokenize=True*일 때와 동일한 출력을 얻습니다.

- ****kwargs** : [*~Qwen3ASRProcessor.apply_chat_template*] 및 기본 프로세서 호출로 전달되는 추가 키워드 인자(예: *text_kwargs*, *audio_kwargs*, ...).

**반환값:** [*BatchFeature*] 또는 *list[str]*

*tokenize=False*인 경우 오디오당 프롬프트가 하나씩 생성되며, 그렇지 않으면 [*Qwen3ASRForConditionalGeneration.generate*]에 바로 전달할 수 있는 형태로 프로세서가 출력합니다.

수동으로 채팅 템플릿을 작성하지 않고도 자동 음성 인식(ASR)을 위한 입력을 준비합니다.

#### 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)
```

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

**매개변수:**

audio (*AudioInput*) : 오디오 입력. 경로, URL, numpy 배열 또는 이들의 목록을 허용합니다.

transcript (*str* 또는 *list[str]*) : 오디오와 정렬할 전사본입니다.

language (*str*, *list[str]*, 또는 *None*, *선택*) : 언어 힌트. 현재 토큰화에서는 사용되지 않지만 일본어, 한국어 등 언어별 토크나이저를 위해 예약되어 있습니다.

- ****kwargs** : [*~Qwen3ASRProcessor.apply_chat_template*]로 전달되는 추가 키워드 인자.

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

- `inputs`: 강제 정렬(forced aligner) 모델에 바로 사용할 수 있도록 `input_ids`, `attention_mask`, `input_features`, `input_features_mask`가 포함된 [*BatchFeature*].
- `word_lists`: 입력을 구성하는 데 사용되는 단어 수준 토큰 목록의 리스트(샘플당 하나). [*~Qwen3ASRProcessor.decode_forced_alignment*]에 이 값을 전달하여 타임스탬프를 단어와 짝지어야 합니다.

Forced aligner 모델의 입력을 준비합니다.

#### 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)
```

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

**매개변수:**

logits (*torch.Tensor*, shape *(batch_size, seq_len, num_labels)*) : [*Qwen3ASRForTokenClassification*]에서 생성된 분류 logits입니다.

input_ids (*torch.LongTensor*, shape *(batch_size, seq_len)*) : forward pass에 사용되는 입력 토큰 ID입니다.

word_lists (*list[list[str]]*) : [*~Qwen3ASRProcessor.prepare_forced_aligner_inputs*]에서 반환한 단어 수준 토큰 목록

timestamp_token_id (*int*) : `&amp;lt;timestamp>` 마커의 Token ID (`model.config.timestamp_token_id`에서 가져옴).

timestamp_segment_time (*float*, *optional*) : 타임스탬프 클래스당 밀리초. 제공되지 않으면 *self.timestamp_segment_time*를 사용합니다.

**반환값:** *list[list[dict]]*

샘플당 하나의 목록. 각 내부 목록에는 `"text"` (*str*), `"start_time"` (*float*, 초), `"end_time"` (*float*, 초) 키를 가진 딕셔너리가 포함되어 있습니다.

Forced aligner 모델의 출력을 워드 레벨 타임스탬프로 디코딩합니다.

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

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

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

**매개변수:**

return_format (*str*, *optional*, 기본값 *"raw"*) : 옵션: - `"raw"`: 토크나이저에서 반환된 원시 디코딩된 문자열을 반환합니다. - `"parsed"`: `"language"` 및 `"transcription"` 키를 가진 dict(또는 dict 목록)를 반환합니다. - `"transcription_only"`: 전사된 텍스트만 추출합니다(`&amp;lt;asr_text>` 이후). `skip_special_tokens`는 `"parsed"` 및 `"transcription_only"`의 경우 `True`로 고정됩니다.

토크나이저의 decode로 인수를 전달하고, 선택적으로 ASR 출력을 파싱합니다.

Qwen3 ASR는 `language &amp;lt;LANG>&amp;lt;asr_text>transcribed text` 형식으로 전사 결과를 출력합니다.

## Qwen3ASREncoder[[transformers.Qwen3ASREncoder]]

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

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

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

**매개변수:**

config ([Qwen3ASREncoderConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASREncoderConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

Qwen3 ASR의 오디오 모델로, 상단에 헤드나 투영이 없는 상태입니다.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

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

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

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

**매개변수:**

input_features (`torch.Tensor`, shape `(batch_size, sequence_length, feature_dim)`) : 입력 오디오 특징에 해당하는 텐서입니다. 오디오 특징은 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__)를 참조하세요 ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor)는 오디오 처리에 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용합니다).

input_features_mask (`torch.LongTensor`, shape `(batch_size, padded_feature_length)`) : 유효한 mel 프레임은 1, 패딩은 0.

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([Qwen3ASRConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되었거나 `config.return_dict=False`인 경우).

[Qwen3ASREncoder](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASREncoder)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

## Qwen3ASRModel[[transformers.Qwen3ASRModel]]

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

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

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

**매개변수:**

config ([Qwen3ASRConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

언어 모델링 헤드가 없는 Qwen3ASR 모델(파인튜닝된 Whisper 인코더, 멀티모달 프로젝터, Qwen2 언어 모델).

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### 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'>)
```

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

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

input_features (`torch.Tensor`, shape `(batch_size, sequence_length, feature_dim)`, *선택 사항*) : 입력 오디오 특징에 해당하는 텐서입니다. 오디오 특징은 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__)를 참조하세요 ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor)는 오디오 처리에 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용합니다).

input_features_mask (`torch.Tensor`, shape `(batch_size, feature_sequence_length)`) : padding feature 인덱스에 attention을 수행하지 않도록 방지하는 마스크.

attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 각 입력 시퀀스의 토큰 위치 인덱스입니다. `[0, config.n_positions - 1]` 범위에서 선택됩니다. [위치 ID란 무엇인가요?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *선택*) : 순차적 디코딩을 가속화할 수 있는 사전 계산된 hidden-states(셀프 어텐션 블록과 크로스 어텐션 블록의 key 및 value)입니다. 일반적으로 `use_cache=True` 또는 `config.use_cache=True`일 때 모델이 디코딩의 이전 단계에서 반환한 `past_key_values`로 구성됩니다. 입력으로 [Cache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.Cache) 인스턴스만 허용되며, [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요. `past_key_values`가 전달되지 않으면 기본적으로 [DynamicCache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.DynamicCache)가 초기화됩니다. 모델은 입력으로 제공된 것과 동일한 캐시 형식을 출력합니다. `past_key_values`를 사용하는 경우, 이 모델에 과거 key value 상태가 제공되지 않은 `input_ids`(처리되지 않은 항목)만 `(batch_size, unprocessed_length)` 형식으로 입력해야 하며, `(batch_size, sequence_length)` 형식의 모든 `input_ids`를 입력하지 않습니다.

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `past_key_values` 키 값 상태가 반환되며, 디코딩 속도를 높이는 데 사용할 수 있습니다(`past_key_values` 참조).

**반환값:** `Qwen3ASRModelOutputWithPast` 또는 `tuple(torch.Tensor)`

`Qwen3ASRModelOutputWithPast` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우)로, [Qwen3ASRConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRConfig) 및 입력에 따라 다양한 요소를 포함합니다.

[Qwen3ASRModel](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRModel)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **audio_hidden_states** (`torch.Tensor`, *선택 사항*) -- 투영된 오디오 히든 상태입니다.

#### 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'>)
```

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

**매개변수:**

input_features (`torch.Tensor`, shape `(batch_size, sequence_length, feature_dim)`) : 입력 오디오 특징에 해당하는 텐서입니다. 오디오 특징은 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__)를 참조하세요 ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor)는 오디오 처리에 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용합니다).

input_features_mask (`torch.LongTensor`, shape `(batch_size, padded_feature_length)`) : 유효한 mel 프레임은 1, 패딩은 0.

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([Qwen3ASRConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되었거나 `config.return_dict=False`인 경우).

이 메서드는 입력 특징(로그 멜 스펙트로그램)에서 오디오 임베딩을 가져오는 데 사용됩니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

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

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

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

`input_ids` 또는 `inputs_embeds`에서 멀티모달 플레이스홀더 마스크를 가져오고, 플레이스홀더 토큰 수가 멀티모달 특징의 길이와 같은지 확인합니다. 길이가 다르면 오류가 발생합니다.

## Qwen3ASRForConditionalGeneration[[transformers.Qwen3ASRForConditionalGeneration]]

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

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

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

**매개변수:**

config ([Qwen3ASRConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

오디오 인코더와 언어 모델로 구성된 Qwen3ASR 모델

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### 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'>)
```

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

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

input_features (`torch.Tensor`, shape `(batch_size, sequence_length, feature_dim)`, *선택 사항*) : 입력 오디오 특징에 해당하는 텐서입니다. 오디오 특징은 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [Qwen3ASRFeatureExtractor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor.__call__)를 참조하세요 ([Qwen3ASRProcessor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRProcessor)는 오디오 처리에 [Qwen3ASRFeatureExtractor](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRFeatureExtractor)를 사용합니다).

input_features_mask (`torch.Tensor`, shape `(batch_size, feature_sequence_length)`) : padding feature 인덱스에 attention을 수행하지 않도록 방지하는 마스크.

attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 각 입력 시퀀스의 토큰 위치 인덱스입니다. `[0, config.n_positions - 1]` 범위에서 선택됩니다. [위치 ID란 무엇인가요?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *선택*) : 순차적 디코딩을 가속화할 수 있는 사전 계산된 hidden-states(셀프 어텐션 블록과 크로스 어텐션 블록의 key 및 value)입니다. 일반적으로 `use_cache=True` 또는 `config.use_cache=True`일 때 모델이 디코딩의 이전 단계에서 반환한 `past_key_values`로 구성됩니다. 입력으로 [Cache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.Cache) 인스턴스만 허용되며, [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요. `past_key_values`가 전달되지 않으면 기본적으로 [DynamicCache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.DynamicCache)가 초기화됩니다. 모델은 입력으로 제공된 것과 동일한 캐시 형식을 출력합니다. `past_key_values`를 사용하는 경우, 이 모델에 과거 key value 상태가 제공되지 않은 `input_ids`(처리되지 않은 항목)만 `(batch_size, unprocessed_length)` 형식으로 입력해야 하며, `(batch_size, sequence_length)` 형식의 모든 `input_ids`를 입력하지 않습니다.

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

labels (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : masked language modeling loss를 계산하기 위한 라벨.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `past_key_values` 키 값 상태가 반환되며, 디코딩 속도를 높이는 데 사용할 수 있습니다(`past_key_values` 참조).

logits_to_keep (`Union[int, torch.Tensor]`, *선택 사항*, 기본값 `0`) : `int`인 경우, 마지막 `logits_to_keep` 토큰에 대한 logits를 계산합니다. `0`인 경우, 모든 `input_ids`에 대한 logits를 계산합니다(특수한 경우). 생성에는 마지막 토큰의 logits만 필요하며, 해당 토큰에 대해서만 계산하면 메모리를 절약할 수 있습니다. 이는 긴 시퀀스나 큰 어휘 크기의 경우 상당한 이점을 제공합니다. `torch.Tensor`인 경우, 시퀀스 길이 차원에서 유지할 인덱스에 해당하는 1차원 텐서여야 합니다. 이는 packed tensor 형식(배치와 시퀀스 길이를 단일 차원으로 사용하는 경우)을 사용할 때 유용합니다.

**반환값:** `Qwen3ASRCausalLMOutputWithPast` 또는 `tuple(torch.Tensor)`

`Qwen3ASRCausalLMOutputWithPast` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우)로, 구성([Qwen3ASRConfig](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRConfig))과 입력에 따라 다양한 요소를 포함합니다.

[Qwen3ASRForConditionalGeneration](/docs/transformers/v5.23.0/ko/model_doc/qwen3_asr#transformers.Qwen3ASRForConditionalGeneration)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **loss** (`torch.Tensor`, shape `(1,)`, *선택 사항*, `labels`가 제공될 때 반환됨) -- 언어 모델링 손실(다음 토큰 예측용).
- **logits** (`torch.Tensor`, shape `(batch_size, sequence_length, config.vocab_size)`) -- 언어 모델링 헤드의 예측 점수.
- **past_key_values** (`Cache`, *선택*, `use_cache=True`가 전달되거나 `config.use_cache=True`인 경우 반환됨) -- [Cache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.Cache) 인스턴스입니다.
- **hidden_states** (`tuple[torch.Tensor]`, *선택*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력용 1개 + 각 레이어의 출력용 1개)로, 모양은 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple[torch.Tensor]`, *선택*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.
- **audio_hidden_states** (`torch.Tensor`, *선택 사항*) -- 투영 이후 오디오 인코더의 히든 스테이트입니다.

예:

```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)
```

[소스](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)
```

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

**매개변수:**

config ([`[``GenericForTokenClassification``]`]) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하면 모델에 연결된 가중치가 로드되지 않고 구성만 로드됩니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

타임스탬프 예측(강제 정렬)을 위한 토큰 분류 헤드를 갖춘 Qwen3 ASR 모델입니다.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### 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])
```

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

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 각 입력 시퀀스의 토큰 위치 인덱스입니다. `[0, config.n_positions - 1]` 범위에서 선택됩니다. [위치 ID란 무엇인가요?](../glossary#position-ids)

past_key_values (`Cache`, *선택 사항*) : 순차적 디코딩을 가속화할 수 있는 사전 계산된 hidden-states(셀프 어텐션 블록과 크로스 어텐션 블록의 key 및 value)입니다. 일반적으로 `use_cache=True` 또는 `config.use_cache=True`일 때 모델이 이전 디코딩 단계에서 반환한 `past_key_values`로 구성됩니다. 입력으로 허용되는 것은 [Cache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.Cache) 인스턴스뿐이며, [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참고하세요. `past_key_values`가 전달되지 않으면 기본적으로 [DynamicCache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.DynamicCache)가 초기화됩니다. 모델은 입력으로 제공된 캐시 형식과 동일한 형식을 출력합니다. `past_key_values`를 사용하는 경우, 이 모델에 과거 key value 상태가 제공되지 않은 `input_ids`(처리되지 않은 토큰)만 `(batch_size, unprocessed_length)` 형식으로 입력해야 하며, `(batch_size, sequence_length)` 형식의 모든 `input_ids`를 입력하지 않습니다.

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

labels (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 토큰 분류 손실을 계산하기 위한 라벨. 인덱스는 `[0, ..., config.num_labels - 1]` 범위에 있어야 합니다.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `past_key_values` 키 값 상태가 반환되며, 디코딩 속도를 높이는 데 사용할 수 있습니다(`past_key_values` 참조).

**반환값:** `TokenClassifierOutput`

`GenericForTokenClassification`의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

