Qwen3-ASR-1.7B je větší model rozpoznávání řeči od Qwen v rodině Qwen3-ASR. Přijímá zvuk a vrací rozpoznaný text spolu s označením jazyka. Rodina staví na základu porozumění zvuku Qwen3-Omni a používá jeden model ASR pro offline i streamované rozpoznávání. Edice 1.7B klade důraz na kvalitu rozpoznávání, zatímco samostatně pojmenovaná edice 0.6B zdůrazňuje efektivitu. Tyto edice zůstávají odlišnými volbami, přestože sdílejí zdokumentované jazykové pokrytí a postupy rozpoznávání.
Výrobce uvádí 30 jazyků a 22 čínských dialektů i anglické přízvuky z více regionů. Seznam jazyků zahrnuje 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. Podporované typy zvuku zahrnují řeč, zpěv a písně s hudbou na pozadí. Tyto schopnosti činí přepis užitečným pro rozhovory, přednášky, hlasové záznamy a kontrolu textů písní, při uchování původního zvuku pro ověření obtížných pasáží.
Sada nástrojů výrobce přijímá odkaz na zvukový soubor, zakódovaný zvuk nebo průběh vlny spolu s jeho vzorkovací frekvencí a její offline postup může zpracovat soubor nahrávek. Dokáže jazyk automaticky zjistit nebo použít určený podporovaný jazyk. Pro neznámou nahrávku zvolte automatickou detekci; skutečný mluvený jazyk uveďte, pokud je známý a relevantní pro úlohu. Příklad výsledku zpřístupňuje zjištěný nebo vybraný jazyk a rozpoznaný text. Nastavení jazyka řídí rozpoznávání nahrávky, nikoli požadavek na přepsání jejího obsahu do jiného jazyka.
U rozhovoru zachovejte spojení nahrávky s jejím datem, tématem a identifikátorem zdroje a potom použijte vrácený text jako prohledávatelný přepis. U přednášky během kontroly zachovejte technické termíny a číselná vyjádření namísto tichého nahrazování nejasných slov věrohodně znějícím vysvětlením. U písně kontrolujte rozpoznaný text při poslechu vokální linky, zvláště tam, kde hudba zakrývá slabiku. Přepis se může stát vstupem pro samostatný krok shrnutí, překladu nebo redakční úpravy, jakmile bylo jeho znění ověřeno proti zvuku.
Stejná rodina ASR podporuje rozpoznávání při příchodu zvuku. Streamovaný příklad výrobce vkládá postupné zvukové úseky do uchovávaného stavu rozpoznávání, zobrazuje průběžný text a poté ukončí stream, aby získal konečný jazyk a přepis. Při přípravě živých titulků nebo průběžného přepisu rozlišujte mezi aktuálním přírůstkovým textem a dokončeným výsledkem. Zdokumentovaná streamovací implementace nekombinuje streamování s dávkovou inferencí ani nevrací časové značky; časovaný přepis využívá jiný postup. Jde o detaily implementace výrobce, nikoli o příslib přenosu dat nebo rozhraní živých titulků v aplikaci.
Qwen3-ForcedAligner-0.6B zarovnává zvukovou nahrávku s dodaným textem a předpovídá časy začátku a konce na úrovni slov nebo znaků. Jde o samostatný model odlišný od obou edic Qwen3-ASR. Sada nástrojů ASR může tento model použít, když jsou v jejím offline přepisovacím postupu požadovány časové značky, nebo lze zarovnání spustit na existující dvojici text–zvuk. Zdokumentované pokrytí zarovnávacího modelu je 11 jazyků: čínština, angličtina, kantonština, francouzština, němčina, italština, japonština, korejština, portugalština, ruština a španělština. Uvedená délka řeči je až pět minut; jde o rozsah zarovnávacího modelu, nikoli pětiminutový strop přepisu ASR.
Pro přípravu titulků nejprve získejte a zkontrolujte přepis a poté jej zarovnejte se zdrojovou nahrávkou tam, kde je tento postup zarovnání vhodný. Vrácené časy začátku a konce použijte k přípravě úseků titulků a při poslechu prověřte jejich hranice. Zarovnání spojuje dodaná slova se zvukem; nemělo by se považovat za důkaz, že chybný přepis byl opraven. Užitečným výsledkem je ověřený přepis s časovými informacemi, který zůstává spojený s nahrávkou, již popisuje.
Rodina podporuje přepis dlouhého zvuku a oficiální příklady instruují uživatele, aby pro delší vstup umožnili více generovaného textu. Jejich ilustrační nastavení tokenů jsou konfigurační volby, nikoli univerzální limit kontextu modelu nebo délky zvuku. Naplánujte prostor pro výstup podle nahrávky a ověřte, že obsahuje její konec. Zkontrolujte jména, množství, změny jazyka, zastřená slova a překrývající se řeč proti původnímu zvuku. Jazykové pokrytí a odolnost vůči náročnému zvuku nezaručují bezchybný přepis každého přízvuku, nahrávky nebo hudebního aranžmá. Úplný výsledek zachovává rozpoznané znění, jeho jazyk a vztah ke zvuku, aby jej bylo možné prohledávat, upravovat nebo použít v pozdějším obsahovém postupu.
", "aboutText": "Qwen3-ASR-1.7B je větší model rozpoznávání řeči od Qwen v rodině Qwen3-ASR. Přijímá zvuk a vrací rozpoznaný text spolu s označením jazyka. Rodina staví na základu porozumění zvuku Qwen3-Omni a používá jeden model ASR pro offline i streamované rozpoznávání. Edice 1.7B klade důraz na kvalitu rozpoznávání, zatímco samostatně pojmenovaná edice 0.6B zdůrazňuje efektivitu. Tyto edice zůstávají odlišnými volbami, přestože sdílejí zdokumentované jazykové pokrytí a postupy rozpoznávání.\n\n### Identifikace jazyka a zvukové pokrytí\n\nVýrobce uvádí 30 jazyků a 22 čínských dialektů i anglické přízvuky z více regionů. Seznam jazyků zahrnuje 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. Podporované typy zvuku zahrnují řeč, zpěv a písně s hudbou na pozadí. Tyto schopnosti činí přepis užitečným pro rozhovory, přednášky, hlasové záznamy a kontrolu textů písní, při uchování původního zvuku pro ověření obtížných pasáží.\n\n### Příprava zvuku a získání přepisu\n\nSada nástrojů výrobce přijímá odkaz na zvukový soubor, zakódovaný zvuk nebo průběh vlny spolu s jeho vzorkovací frekvencí a její offline postup může zpracovat soubor nahrávek. Dokáže jazyk automaticky zjistit nebo použít určený podporovaný jazyk. Pro neznámou nahrávku zvolte automatickou detekci; skutečný mluvený jazyk uveďte, pokud je známý a relevantní pro úlohu. Příklad výsledku zpřístupňuje zjištěný nebo vybraný jazyk a rozpoznaný text. Nastavení jazyka řídí rozpoznávání nahrávky, nikoli požadavek na přepsání jejího obsahu do jiného jazyka.\n\nU rozhovoru zachovejte spojení nahrávky s jejím datem, tématem a identifikátorem zdroje a potom použijte vrácený text jako prohledávatelný přepis. U přednášky během kontroly zachovejte technické termíny a číselná vyjádření namísto tichého nahrazování nejasných slov věrohodně znějícím vysvětlením. U písně kontrolujte rozpoznaný text při poslechu vokální linky, zvláště tam, kde hudba zakrývá slabiku. Přepis se může stát vstupem pro samostatný krok shrnutí, překladu nebo redakční úpravy, jakmile bylo jeho znění ověřeno proti zvuku.\n\n### Streamované rozpoznávání a jeho rozsah\n\nStejná rodina ASR podporuje rozpoznávání při příchodu zvuku. Streamovaný příklad výrobce vkládá postupné zvukové úseky do uchovávaného stavu rozpoznávání, zobrazuje průběžný text a poté ukončí stream, aby získal konečný jazyk a přepis. Při přípravě živých titulků nebo průběžného přepisu rozlišujte mezi aktuálním přírůstkovým textem a dokončeným výsledkem. Zdokumentovaná streamovací implementace nekombinuje streamování s dávkovou inferencí ani nevrací časové značky; časovaný přepis využívá jiný postup. Jde o detaily implementace výrobce, nikoli o příslib přenosu dat nebo rozhraní živých titulků v aplikaci.\n\n### Časování slov nebo znaků se samostatným zarovnávacím modelem\n\nQwen3-ForcedAligner-0.6B zarovnává zvukovou nahrávku s dodaným textem a předpovídá časy začátku a konce na úrovni slov nebo znaků. Jde o samostatný model odlišný od obou edic Qwen3-ASR. Sada nástrojů ASR může tento model použít, když jsou v jejím offline přepisovacím postupu požadovány časové značky, nebo lze zarovnání spustit na existující dvojici text–zvuk. Zdokumentované pokrytí zarovnávacího modelu je 11 jazyků: čínština, angličtina, kantonština, francouzština, němčina, italština, japonština, korejština, portugalština, ruština a španělština. Uvedená délka řeči je až pět minut; jde o rozsah zarovnávacího modelu, nikoli pětiminutový strop přepisu ASR.\n\nPro přípravu titulků nejprve získejte a zkontrolujte přepis a poté jej zarovnejte se zdrojovou nahrávkou tam, kde je tento postup zarovnání vhodný. Vrácené časy začátku a konce použijte k přípravě úseků titulků a při poslechu prověřte jejich hranice. Zarovnání spojuje dodaná slova se zvukem; nemělo by se považovat za důkaz, že chybný přepis byl opraven. Užitečným výsledkem je ověřený přepis s časovými informacemi, který zůstává spojený s nahrávkou, již popisuje.\n\n### Dlouhé nahrávky a praktická omezení\n\nRodina podporuje přepis dlouhého zvuku a oficiální příklady instruují uživatele, aby pro delší vstup umožnili více generovaného textu. Jejich ilustrační nastavení tokenů jsou konfigurační volby, nikoli univerzální limit kontextu modelu nebo délky zvuku. Naplánujte prostor pro výstup podle nahrávky a ověřte, že obsahuje její konec. Zkontrolujte jména, množství, změny jazyka, zastřená slova a překrývající se řeč proti původnímu zvuku. Jazykové pokrytí a odolnost vůči náročnému zvuku nezaručují bezchybný přepis každého přízvuku, nahrávky nebo hudebního aranžmá. Úplný výsledek zachovává rozpoznané znění, jeho jazyk a vztah ke zvuku, aby jej bylo možné prohledávat, upravovat nebo použít v pozdějším obsahovém postupu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1bffba7a750a82498e82454e28c073667329952666a3a42a46b6eb2e3af6a7db", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B převádí řeč a zpěv na text a určuje jazyk. Qwen dokumentuje 30 jazyků, 22 čínských dialektů a offline nebo streamované rozpoznávání; časování na úrovni slov využívá samostatný postup Qwen3-ForcedAligner.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen3-ASR-1.7B je větší model rozpoznávání řeči od Qwen v rodině Qwen3-ASR. Přijímá zvuk a vrací rozpoznaný text spolu s označením jazyka. Rodina staví na základu porozumění zvuku Qwen3-Omni a používá jeden model ASR pro offline i streamované rozpoznávání. Edice 1.7B klade důraz na kvalitu rozpoznávání, zatímco samostatně pojmenovaná edice 0.6B zdůrazňuje efektivitu. Tyto edice zůstávají odlišnými volbami, přestože sdílejí zdokumentované jazykové pokrytí a postupy rozpoznávání.
Výrobce uvádí 30 jazyků a 22 čínských dialektů i anglické přízvuky z více regionů. Seznam jazyků zahrnuje 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. Podporované typy zvuku zahrnují řeč, zpěv a písně s hudbou na pozadí. Tyto schopnosti činí přepis užitečným pro rozhovory, přednášky, hlasové záznamy a kontrolu textů písní, při uchování původního zvuku pro ověření obtížných pasáží.
Sada nástrojů výrobce přijímá odkaz na zvukový soubor, zakódovaný zvuk nebo průběh vlny spolu s jeho vzorkovací frekvencí a její offline postup může zpracovat soubor nahrávek. Dokáže jazyk automaticky zjistit nebo použít určený podporovaný jazyk. Pro neznámou nahrávku zvolte automatickou detekci; skutečný mluvený jazyk uveďte, pokud je známý a relevantní pro úlohu. Příklad výsledku zpřístupňuje zjištěný nebo vybraný jazyk a rozpoznaný text. Nastavení jazyka řídí rozpoznávání nahrávky, nikoli požadavek na přepsání jejího obsahu do jiného jazyka.
U rozhovoru zachovejte spojení nahrávky s jejím datem, tématem a identifikátorem zdroje a potom použijte vrácený text jako prohledávatelný přepis. U přednášky během kontroly zachovejte technické termíny a číselná vyjádření namísto tichého nahrazování nejasných slov věrohodně znějícím vysvětlením. U písně kontrolujte rozpoznaný text při poslechu vokální linky, zvláště tam, kde hudba zakrývá slabiku. Přepis se může stát vstupem pro samostatný krok shrnutí, překladu nebo redakční úpravy, jakmile bylo jeho znění ověřeno proti zvuku.
Stejná rodina ASR podporuje rozpoznávání při příchodu zvuku. Streamovaný příklad výrobce vkládá postupné zvukové úseky do uchovávaného stavu rozpoznávání, zobrazuje průběžný text a poté ukončí stream, aby získal konečný jazyk a přepis. Při přípravě živých titulků nebo průběžného přepisu rozlišujte mezi aktuálním přírůstkovým textem a dokončeným výsledkem. Zdokumentovaná streamovací implementace nekombinuje streamování s dávkovou inferencí ani nevrací časové značky; časovaný přepis využívá jiný postup. Jde o detaily implementace výrobce, nikoli o příslib přenosu dat nebo rozhraní živých titulků v aplikaci.
Qwen3-ForcedAligner-0.6B zarovnává zvukovou nahrávku s dodaným textem a předpovídá časy začátku a konce na úrovni slov nebo znaků. Jde o samostatný model odlišný od obou edic Qwen3-ASR. Sada nástrojů ASR může tento model použít, když jsou v jejím offline přepisovacím postupu požadovány časové značky, nebo lze zarovnání spustit na existující dvojici text–zvuk. Zdokumentované pokrytí zarovnávacího modelu je 11 jazyků: čínština, angličtina, kantonština, francouzština, němčina, italština, japonština, korejština, portugalština, ruština a španělština. Uvedená délka řeči je až pět minut; jde o rozsah zarovnávacího modelu, nikoli pětiminutový strop přepisu ASR.
Pro přípravu titulků nejprve získejte a zkontrolujte přepis a poté jej zarovnejte se zdrojovou nahrávkou tam, kde je tento postup zarovnání vhodný. Vrácené časy začátku a konce použijte k přípravě úseků titulků a při poslechu prověřte jejich hranice. Zarovnání spojuje dodaná slova se zvukem; nemělo by se považovat za důkaz, že chybný přepis byl opraven. Užitečným výsledkem je ověřený přepis s časovými informacemi, který zůstává spojený s nahrávkou, již popisuje.
Rodina podporuje přepis dlouhého zvuku a oficiální příklady instruují uživatele, aby pro delší vstup umožnili více generovaného textu. Jejich ilustrační nastavení tokenů jsou konfigurační volby, nikoli univerzální limit kontextu modelu nebo délky zvuku. Naplánujte prostor pro výstup podle nahrávky a ověřte, že obsahuje její konec. Zkontrolujte jména, množství, změny jazyka, zastřená slova a překrývající se řeč proti původnímu zvuku. Jazykové pokrytí a odolnost vůči náročnému zvuku nezaručují bezchybný přepis každého přízvuku, nahrávky nebo hudebního aranžmá. Úplný výsledek zachovává rozpoznané znění, jeho jazyk a vztah ke zvuku, aby jej bylo možné prohledávat, upravovat nebo použít v pozdějším obsahovém postupu.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen3-asr-1.7b | Výchozí— |
Poleinput_audio | Typobject | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polelanguage | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Minimum: 0 Maximum: 1 | Výchozí— |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity json, verbose_json | Výchozíjson |
Poletimestamp_granularities | Typarray | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_conditions | KontraktNačtěte skutečný soubor WAV a zakódujte jeho skutečné bajty pro deklarovaný vstup JSON input_audio; pro tuto přesnou deklaraci omezenou na JSON se nenabízí žádná trasa multipart. |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Zobrazené sazby slouží k odhadu ceny před generováním. Konečný poplatek se vypočítá z nákladů zaznamenaných u původního generování. Naměřená délka výstupu ani odhadovaná množství nejsou konečným účtovaným množstvím.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Předpokládané množství | Účtovací jednotka | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Předpokládané množství— | Účtovací jednotka— | Poplatek Vstup · Vstupní tokeny · Odhad pouze pro srovnání — / 1K tokenů Výstup · Výstupní tokeny · Odhad pouze pro srovnání — / 1K tokenů Vstup · Čtení z mezipaměti · Odhad pouze pro srovnání — / 1K tokenů Vstup · Zápis do mezipaměti · Odhad pouze pro srovnání — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina · Odhad pouze pro srovnání — / 1K tokenů |
| Konfiguracesekunda vstupního zvuku | Tabulka sazeb— | Předpokládané množství— | Účtovací jednotkaza sekundu vstupního zvuku | Poplatek Vstup · sekunda vstupního zvuku · Odhad pouze pro srovnání $0.000015 za sekundu vstupního zvuku |
| KonfiguraceOdhadovaná cena generování | Tabulka sazeb— | Předpokládané množstvíodhad pro jedno generování | Účtovací jednotka— | Poplatek Výstup · Odhadovaná cena generování · Odhad pouze pro srovnání $0.000015 odhad před generováním Tento odhad není dodatečným poplatkem ani pevnou sazbou za dokončené generování. |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nUchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.
Uchovejte vrácené X-Client-Request-ID pro spárování záznamů. Načítejte pouze skutečně vrácené hodnoty task_id/asset_id nebo vlastní knihovnu médií; nikdy nevytvářejte URL úlohy z ID operace a nikdy znovu neodesílejte požadavek na vytvoření.
| Pole | Typ |
|---|---|
Poletext | Typ |
Poleusage | Typ |
Polesegments[] | Typ |
Polewords[] | Typ |
Polespeaker fields | Typ |
Poletimestamps | Typ |
Ailoot Ultra qwen/qwen3-asr-1.7b
Použijte cesty metod uvedené výše.