Qwen3-ASR-0.6B在Ubuntu20.04上的部署与优化：保姆级安装教程

如果你正在寻找一个轻量级、效果又不错的语音识别模型，想在Ubuntu系统上快速搭起来用，那Qwen3-ASR-0.6B可能是个不错的选择。它只有6亿参数，对硬件要求不高，但识别效果在同类小模型里算是挺能打的。

今天这篇教程，就是带你从零开始，在Ubuntu 20.04系统上，把Qwen3-ASR-0.6B完整地部署起来，并且跑通一个能用的Web界面。整个过程我会尽量讲得详细，把可能遇到的坑都提前指出来，目标是让你跟着做一遍就能成功。咱们不聊复杂的原理，就专注于“怎么把它装好、用起来”。

1. 开始前的准备工作

在动手安装之前，咱们先花几分钟把环境和需要的东西准备好。这就像做饭前要备好菜和锅一样，能避免过程中手忙脚乱。

首先，你需要一台安装了Ubuntu 20.04操作系统的电脑或服务器。这个版本比较稳定，社区支持也广。确保你有系统的管理员权限（能使用sudo命令）。

这个模型运行需要Python环境，我们直接用Python 3.8或3.9，这两个版本和后续要装的依赖兼容性最好。你可以打开终端，输入下面的命令检查一下：

python3 --version

如果显示是Python 3.8.x或3.9.x，那就没问题。如果不是，你可能需要先安装或切换Python版本。

由于Qwen3-ASR-0.6B在推理时用GPU会快很多，所以强烈建议你有一张NVIDIA的显卡，并提前装好CUDA。你可以用这个命令检查CUDA是否可用：

nvidia-smi

这个命令会显示显卡的信息和CUDA版本。我测试时用的是CUDA 11.7，CUDA 11.6到12.x的版本理论上也都支持。如果没有显卡，用纯CPU也能跑，就是速度会慢一些。

最后，你需要一个可以访问GitHub的网络环境，因为我们需要从那里克隆代码和下载模型文件。

2. 第一步：搭建基础Python环境

环境准备好了，我们现在就来创建一个干净、独立的Python运行环境，并安装最基础的依赖。这样做的好处是，不会把你系统里其他项目的Python包搞乱。

2.1 创建并激活虚拟环境

我习惯使用venv来创建虚拟环境，它简单直接。打开终端，找一个你喜欢的目录，执行下面的命令：

# 创建一个名为 'qwen-asr-env' 的虚拟环境
python3 -m venv qwen-asr-env

# 激活这个虚拟环境
source qwen-asr-env/bin/activate

激活后，你的命令行提示符前面通常会显示(qwen-asr-env)，这就表示你已经在这个独立的环境里了。接下来所有pip install的操作，都只会影响这个环境。

2.2 安装PyTorch

PyTorch是模型运行的底层框架。安装时一定要去PyTorch官网看看，用他们提供的安装命令，这样可以确保和你CUDA版本匹配。

比如，如果你的CUDA是11.7，可以安装：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

如果你没有GPU，就安装CPU版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

安装完成后，可以进入Python交互模式简单验证下：

import torch
print(torch.__version__)  # 打印PyTorch版本
print(torch.cuda.is_available())  # 如果是GPU版本，这里应该显示True

3. 第二步：获取代码与模型

基础框架有了，现在把Qwen3-ASR的代码和训练好的模型文件拿下来。

3.1 克隆官方代码仓库

这个模型的代码托管在GitHub上。我们在终端里，用git命令把它克隆到本地。

# 克隆代码仓库
git clone https://github.com/QwenLM/Qwen3-ASR.git

# 进入项目目录
cd Qwen3-ASR

进入目录后，你可以看到项目结构。我们主要关心的是qwen3_asr这个核心代码目录，以及后面会用到的一些示例脚本。

3.2 安装项目依赖

项目根目录下通常会有一个requirements.txt文件，里面列出了所有必需的Python包。我们直接用pip安装它们。

# 安装项目依赖
pip install -r requirements.txt

这个过程可能会花几分钟，需要下载一些包，比如transformers（加载模型）、soundfile（处理音频）、gradio（构建Web界面）等等。如果中间有报错，大概率是网络问题，重试一下或者换个时间安装通常就能解决。

3.3 下载模型权重文件

模型本身（也就是那些训练好的参数）并不在GitHub代码里，我们需要单独下载。官方模型通常发布在Hugging Face的模型库。

你可以通过git lfs（大文件存储）来下载，这是最推荐的方式：

# 安装 git-lfs (如果还没装的话)
sudo apt-get install git-lfs
git lfs install

# 克隆模型仓库 (注意替换成正确的模型地址，例如 modelscope 或 huggingface 的路径)
# 这里是一个示例路径，请以官方最新文档为准
git clone https://www.modelscope.cn/qwen/Qwen3-ASR-0.6B.git ./model_weights

如果使用git lfs遇到问题，或者下载速度慢，你也可以直接在Hugging Face的模型页面，手动下载那些.bin或.safetensors的权重文件，然后放到项目里一个叫model_weights的文件夹里。

4. 第三步：启动WebUI并测试

东西都齐了，最激动人心的时刻来了：启动一个网页界面，上传音频文件试试识别效果。Qwen3-ASR项目通常提供了一个基于Gradio的简单Web界面。

4.1 启动Gradio Web应用

在项目目录下，找一个叫webui.py或者app.py的脚本文件。如果没有，你可能需要参考项目README，自己写一个简单的启动脚本。一个典型的启动命令是这样的：

python webui.py --model-path ./model_weights --port 7860

这里，--model-path参数指向你刚才下载的模型权重文件夹，--port指定了网页服务要跑在哪个端口，7860是Gradio的常用端口。

执行命令后，终端会开始加载模型。第一次加载会慢一些，因为要把模型文件读入内存。加载成功后，你会看到类似这样的输出：

Running on local URL:  http://127.0.0.1:7860
Running on public URL: https://xxxxxx.gradio.live

4.2 访问与使用界面

现在，打开你电脑上的浏览器，在地址栏输入 http://127.0.0.1:7860，就能看到语音识别的Web界面了。

界面通常会非常简洁，主要包含：

• 一个文件上传区域，让你选择本地的音频文件（如.wav, .mp3）。
• 一个“识别”或“Submit”按钮。
• 一个文本框，用于显示识别出来的文字结果。

你可以找一个短的、清晰的普通话或英语音频文件（比如一段新闻录音、自己的语音备忘录）上传上去，点击按钮，稍等几秒，就能看到识别的文字结果了。第一次尝试，建议用背景噪音小、发音清晰的音频，这样成功率更高，也更能建立信心。

5. 第四步：你可能遇到的问题与解决

即使跟着教程做，也可能会遇到一些小麻烦。这里我把几个常见问题及解决办法列出来，你遇到时可以来这里找找思路。

5.1 端口被占用

如果你在启动webui.py时看到“Address already in use”这类错误，说明7860端口被别的程序用了。

解决办法很简单，换一个端口就行：

# 比如换成 7861 端口
python webui.py --model-path ./model_weights --port 7861

然后浏览器访问 http://127.0.0.1:7861 即可。

5.2 权限问题

在执行一些命令或脚本时，可能会因为权限不足而失败。特别是当你操作/usr等系统目录，或者使用sudo安装某些全局依赖时。

解决办法是：

• 对于项目内的操作（如pip install），确保你在之前创建的虚拟环境（qwen-asr-env）中操作，并且有当前目录的读写权限。
• 对于需要系统级安装的命令（如sudo apt-get），确认你的用户账户有sudo权限。

5.3 模型加载失败或识别错误

如果模型加载时报错，或者识别结果完全是乱码，可以从以下几个方面排查：

1. 模型路径是否正确：仔细检查--model-path后面的路径，是不是真的指向了包含模型权重文件的文件夹。
2. 依赖包版本冲突：这是最头疼但也最常见的问题。可以尝试创建一个全新的虚拟环境，严格按照项目requirements.txt的版本来安装。
3. 音频格式问题：模型对音频的采样率（通常是16kHz）、声道数（单声道）可能有要求。你可以用ffmpeg等工具先转换一下音频格式。
4. 查看详细日志：在启动命令中加入--verbose或--debug参数（如果脚本支持），或者直接看终端打印的完整错误信息，那里面往往藏着解决问题的关键线索。

6. 写在最后

好了，走到这一步，你应该已经在Ubuntu 20.04上成功运行起Qwen3-ASR-0.6B，并且通过网页上传音频体验过它的识别能力了。回顾一下，整个过程其实就是准备环境、安装依赖、下载模型、启动服务这几大步，每一步拆开看都不复杂。

这个0.6B的版本作为入门和轻量级应用是足够的。部署成功后，你可以多试试不同口音、不同背景噪音的音频，看看它的表现边界在哪里。如果发现识别某些内容不太准，那可能是模型本身能力的限制，对于更复杂的场景，你可能需要考虑更大的模型或者针对自己的数据做微调。

这次部署的Web界面只是一个最基础的演示。如果你想把语音识别集成到自己的应用里，比如做一个语音转文字的笔记工具，或者给视频自动加字幕，那你就需要去研究项目里提供的Python API调用方式，把识别功能嵌入到你的代码逻辑中去。那会是另一个有趣的故事了。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。