Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B je kompaktní edice řady modelů Qwen3-ASR společnosti Qwen pro rozpoznávání řeči. Přijímá zvuk a vytváří přepis s označením jazyka. Výrobce u 0.6B zdůrazňuje rovnováhu mezi kvalitou rozpoznávání a efektivitou, zatímco 1.7B je samostatně pojmenovaná větší edice. Obě vycházejí z porozumění zvuku modelu Qwen3-Omni a sdílejí dokumentovaný rozsah rozpoznávání i sjednocený přístup k offline a streamovanému zpracování. Kompaktní edice může zajistit krok přepisu v postupu pro hlasové poznámky, přípravu titulků nebo prohledávatelné nahrávky.

Jazyky, dialekty a podporované nahrávky

Qwen dokumentuje rozpoznávání a určení jazyka pro 30 jazyků a 22 čínských dialektů s podporou anglických přízvuků z různých regionů. Jazyková tabulka uvádí čínštinu, angličtinu, kantonštinu, arabštinu, němčinu, francouzštinu, španělštinu, portugalštinu, indonéštinu, italštinu, korejštinu, ruštinu, thajštinu, vietnamštinu, japonštinu, turečtinu, hindštinu, malajštinu, nizozemštinu, švédštinu, dánštinu, finštinu, polštinu, češtinu, filipínštinu, perštinu, řečtinu, maďarštinu, makedonštinu a rumunštinu. Mezi rozpoznávané typy zvuku patří mluvená řeč, zpěv a písně s hudbou na pozadí. Menší edice si zachovává tento rozsah podpory celé řady; její velikost neznamená jiný seznam podporovaných jazyků.

Offline rozpoznávání a příprava vstupu

Oficiální sada nástrojů může přijímat zvuk prostřednictvím odkazu na soubor, zakódovaného zvuku nebo zvukového průběhu s jeho vzorkovací frekvencí. Podporuje offline zpracování více nahrávek, automatické rozpoznání jazyka i zadání konkrétního podporovaného jazyka. Dokumentovaný výsledek obsahuje jazyk a rozpoznaný text. Pokud mluvený jazyk znáte, vyberte jej; u kolekce s neznámými jazyky jej nechte určit modelem. Vedle výsledku uchovejte identifikátor příslušné nahrávky, aby bylo možné přepis dohledat ke správnému zdroji.

U sady hlasových poznámek uchovejte samostatný výsledek pro každou poznámku a před převodem textu na úkoly nebo shrnutí ověřte jména, čísla a nejasné formulace podle nahrávky. U mluveného návodu použijte přepis k nalezení pasáží a kontrole znění jednotlivých pokynů. Při kontrole textu písně poslouchejte zpěvní linku a nepřijímejte slovo jen proto, že v písni dává smysl. Jde o přípravné a kontrolní kroky pro textový výstup; jeho shrnutí, překlad nebo interpretace mohou následovat jako samostatné operace.

Streamovaný text a dokončení nahrávky

Qwen3-ASR používá pro offline i streamované rozpoznávání stejný model. Ve streamovacím příkladu výrobce příchozí zvukové úseky aktualizují uchovávaný stav rozpoznávání a závěrečný krok vrací dokončený text a jazyk. To umožňuje průběžné zobrazování užitečné pro živý přepis. Průběžné zobrazení berte jako aktuální stav rozpoznávání a po skončení nahrávky uchovejte konečný výsledek; zdrojový zvuk ponechte dostupný pro opravy.

Dokumentovaná implementace streamování v tomto postupu nepodporuje dávkovou inferenci ani vracení časových značek. Streamovaný text, kolekce offline přepisů a příprava časovaných titulků jsou proto odlišné postupy výrobce. Velikosti úseků a nastavení tokenů v příkladech výrobce ilustrují implementaci; nejsou univerzálním příslibem latence, souběžnosti ani délky zvuku. Postup zvolte podle toho, zda potřebujete text přicházející během nahrávání, dokončený text pro kolekci nebo text zarovnaný k časové ose.

Časovaný text používá Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B je samostatný model pro zarovnání, přestože s touto edicí ASR sdílí označení velikosti 0.6B. Přijímá dvojici text–zvuk a předpovídá začátky a konce na úrovni slov nebo znaků. Offline sada nástrojů výrobce pro ASR jej může vyvolat při požadavku na časové značky. Jeho dokumentovaná sada jazyků zahrnuje čínštinu, angličtinu, kantonštinu, francouzštinu, němčinu, italštinu, japonštinu, korejštinu, portugalštinu, ruštinu a španělštinu; uvedený rozsah zarovnání je až pět minut řeči. Tato užší sada jazyků a pětiminutový rozsah se týkají vynuceného zarovnání, nikoli obecné podpory přepisu modelem ASR.

Pro titulky připravte zkontrolovaný přepis v jazyce nahrávky, zarovnejte jej tam, kde je podporovaný postup použitelný, a při přehrávání zdroje zkontrolujte hranice úseků. Použitelný soubor titulků uchovává znění a časování společně. Pokud je slovo v přepisu chybné, opravte je podle zvuku místo předpokladu, že časový úsek potvrzuje jeho správnost. Toto oddělení umožňuje určit, zda je problém v rozpoznávání, v dodaném textu nebo v umístění hranice titulku.

Výstup z dlouhých nahrávek a kontrola rozpoznávání

Řada Qwen3-ASR podporuje dlouhé nahrávky. Její příklady inference doporučují pro delší zvuk povolit více generovaných tokenů; ověřte proto, že přepis dosáhne konce nahrávky a že jej nezkrátil limit výstupu. Publikované příklady nestanovují univerzální číselné kontextové okno ani maximální délku nahrávky pro ASR. Při uspořádávání dlouhé nahrávky ke kontrole zachovejte propojení užitečných úseků s jejich pozicemi ve zdroji. Podle původního zvuku kontrolujte špatně slyšitelná slova, změny jazyka, překrývající se řeč, neobvyklá jména a zpívané slabiky. Praktickým výsledkem je rozpoznaný text s označením jazyka, připravený k vyhledávání nebo dalšímu zpracování obsahu; časování se v případě potřeby přidává samostatným postupem zarovnání.