Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B er den kompakte udgave i Qwens Qwen3-ASR-familie til talegenkendelse. Den accepterer lyd og producerer en transskription med en sprogangivelse. Producenten positionerer 0.6B ud fra balancen mellem genkendelseskvalitet og effektivitet, mens 1.7B er den særskilt navngivne større udgave. Begge bygger på Qwen3-Omnis lydforståelse og deler den dokumenterede genkendelsesdækning og den fælles tilgang til offline- og streamingbehandling. Den kompakte udgave kan levere transskriptionstrinnet i en proces for stemmenoter, forberedelse af undertekster eller søgbare optagelser.

Sprog, dialekter og understøttede optagelser

Qwen dokumenterer genkendelse og sprogidentifikation for 30 sprog og 22 kinesiske dialekter samt understøttelse af engelske accenter fra forskellige regioner. Sprogtabellen omfatter kinesisk, engelsk, kantonesisk, arabisk, tysk, fransk, spansk, portugisisk, indonesisk, italiensk, koreansk, russisk, thai, vietnamesisk, japansk, tyrkisk, hindi, malajisk, nederlandsk, svensk, dansk, finsk, polsk, tjekkisk, filipino, persisk, græsk, ungarsk, makedonsk og rumænsk. De genkendte lydtyper omfatter tale, sangstemme og sange med baggrundsmusik. Den mindre udgave bevarer denne familiedækning; dens størrelse betyder ikke en anden liste over understøttede sprog.

Offlinegenkendelse og forberedelse af input

Det officielle værktøjssæt kan modtage lyd gennem en filreference, kodet lyd eller en bølgeform med tilhørende samplingsfrekvens. Det understøtter offlinebehandling af flere optagelser, automatisk sprogregistrering og angivelse af et understøttet sprog. Det dokumenterede resultat indeholder sproget og den genkendte tekst. Vælg det talte sprog, når du kender det, eller lad modellen identificere det, når en samling indeholder ukendte sprog. Bevar hver optagelses identifikator ved siden af resultatet, så en transskription kan spores tilbage til den rigtige kilde.

For et sæt stemmenoter skal du bevare et særskilt resultat for hver note og kontrollere navne, tal og uklare formuleringer mod optagelsen, før teksten omdannes til opgaver eller en opsummering. Til en mundtlig vejledning kan du bruge transskriptionen til at finde tekstpassager og kontrollere ordlyden af hver instruktion. Ved sang skal du lytte til vokalsporet, når sangteksten kontrolleres, i stedet for at acceptere et ord alene, fordi det giver mening i sangen. Det er trin til forberedelse og kontrol af tekstresultatet; opsummering, oversættelse eller fortolkning af transskriptionen kan følge som særskilte handlinger.

Streamet tekst og færdiggørelse af en optagelse

Qwen3-ASR bruger samme model til offlinegenkendelse og streaminggenkendelse. I producentens streamingeksempel opdaterer indgående lydstykker en bevaret genkendelsestilstand, og et afslutningstrin giver den færdige tekst og sproget. Det muliggør en løbende opdateret visning, som er nyttig til en transskription, der vises undervejs. Betragt den foreløbige visning som den aktuelle genkendelsestilstand, og bevar det endelige resultat, når optagelsen er slut, med lydkilden tilgængelig for rettelser.

Den dokumenterede streamingimplementering understøtter ikke batch-inferens eller returnering af tidsstempler i dette streamingforløb. Streamet tekst, en samling offlinetransskriptioner og forberedelse af tidskodede undertekster er derfor forskellige forløb hos producenten. Producentens eksempler på chunkstørrelser og tokenindstillinger illustrerer en implementering; de er ikke universelle løfter om latens, samtidighed eller lydlængde. Vælg forløbet efter, om det nyttige resultat er tekst, der ankommer under en optagelse, færdig tekst til en samling eller tekst, der er justeret efter en tidslinje.

Tidskodet tekst bruger Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B er en særskilt model til tidsjustering, selv om den deler størrelsesbetegnelsen 0.6B med denne ASR-udgave. Den tager et tekst–lyd-par og forudsiger start- og sluttidspunkter på ord- eller tegnniveau. Producentens offlineværktøjssæt til ASR kan kalde den, når der anmodes om tidsstempler. Dens dokumenterede sprogsæt er kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk, og det angivne tidsrum for justering er op til fem minutters tale. Det smallere sprogsæt og tidsrummet på fem minutter hører til forced alignment og ikke til ASR-modellens generelle transskriptionsdækning.

Til undertekster skal du forberede en gennemgået transskription på optagelsens sprog, tidsjustere den, hvor det understøttede forløb gælder, og undersøge segmentgrænserne, mens kilden afspilles. Et brugbart undertekstresultat bevarer ordlyd og tidsangivelser sammen. Hvis et ord i transskriptionen er forkert, skal ordlyden rettes efter lyden i stedet for at antage, at et tidsinterval gør ordet korrekt. Denne opdeling gør det tydeligt, om et problem ligger i genkendelsen, den leverede tekst eller placeringen af en undertekstgrænse.

Output fra lang lyd og kontrol af genkendelsen

Qwen3-ASR-familien understøtter lange optagelser. Dens inferenseksempler anbefaler at tillade flere genererede tokens til længere lyd, så kontrollér, at transskriptionen når til slutningen af optagelsen, og at en outputgrænse ikke har afkortet den. De offentliggjorte eksempler fastlægger hverken en universel numerisk størrelse på kontekstvinduet eller en maksimal varighed for ASR-optagelser. Bevar forbindelsen mellem nyttige afsnit og deres positioner i kilden, når en længere optagelse organiseres til gennemgang. Kontrollér utydelige ord, sprogskift, overlappende tale, usædvanlige navne og sungne stavelser mod den oprindelige lyd. Det praktiske resultat er genkendt tekst med en sprogangivelse, klar til søgning eller et efterfølgende indholdstrin, med tidsangivelser tilføjet gennem det særskilte justeringsforløb efter behov.