Transformers 提出 Qwen3-ASR 遮罩修補，避免音訊填充值影響有效特徵

Transformers 社群於 11 月 7 日提交 Qwen3-ASR 修補提案，處理音訊填充區域仍會影響有效特徵的問題。截至查核時，PR #50454 仍開放、尚無審查，不能視為正式套件已修復。變更集中在音訊編碼器：先依特徵遮罩將無效位置清零，再進行分塊與卷積運算。修補提案

問題出在遮罩套用的時機。回報者指出，波形的填充部分經過 log-mel 特徵擷取後可能變成非零值，而既有編碼器先執行 CNN，之後才移除被遮罩的位置。卷積會讀取鄰近影格，因此填充值可能先傳入有效區域邊界；事後移除無效輸出，無法消除這一步已造成的影響。回報也指出，處理器預設的 padding=True 路徑會遇到此情況。問題回報

作者提供的 CPU 最小重現使用隨機初始化的小型編碼器，固定張量形狀與前 85 個有效影格，只把其餘遮罩位置由零改成負一。兩次輸出的最大絕對差約為 6.26×10⁻⁷，預期則應完全相同。這證明該測試下輸出會依賴無效輸入，但不能據此推算正式模型的字錯誤率，更不能直接認定已有可觀察的轉錄退化。重現程式

修補在模組化來源加入 masked_fill，並同步更新產生的模型檔案；目前差異僅涉及這兩個檔案，未見新增測試檔。官方文件列有中文與粵語轉錄支援，也將音訊特徵遮罩與文字注意力遮罩分開定義，這使音訊前端的遮罩語意成為中文語音服務值得核對的細節。程式差異、模型文件

對工程團隊而言，下一步可在實際權重上比較單筆與不同長度批次的輸出，觀察邊界特徵與轉錄是否一致；這是依問題機制提出的驗證建議。仍須追蹤維護者審查、模型測試及版本收錄情況，才能判斷是否需要更新部署。