{ "aboutHtml": "

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.

", "aboutText": "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.\n\n### Sprog, dialekter og understøttede optagelser\n\nQwen 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.\n\n### Offlinegenkendelse og forberedelse af input\n\nDet 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.\n\nFor 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.\n\n### Streamet tekst og færdiggørelse af en optagelse\n\nQwen3-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.\n\nDen 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.\n\n### Tidskodet tekst bruger Qwen3-ForcedAligner\n\nQwen3-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.\n\nTil 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.\n\n### Output fra lang lyd og kontrol af genkendelsen\n\nQwen3-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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "da534ecfc570ad427a46f705e29a77d740caed1366c632d1379d40d035359f82", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "
Al

Qwen: Qwen3 ASR 0.6B

Alibaba /qwen/qwen3-asr-0.6b

Start

Qwen3-ASR-0.6B er Qwens kompakte talegenkendelsesmodel, der omdanner talt eller sunget lyd til tekst med sprogidentifikation. Den deler familiens dækning af 30 sprog og 22 dialekter og tilbyder offline- og streamingforløb samt separat forced alignment til tidskodet tekst.

Accepterede input
Lyd
Resultater
Tekst
Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

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.

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · Transskription POST /v1/audio/transcriptions
Inputtyper
audio
Outputtyper
text
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
qwen/qwen3-asr-0.6b
Standard—
Feltinput_audioTypeobjectKravPåkrævetVærdier og grænserStandard—
FeltlanguageTypestringKravValgfritVærdier og grænserStandard—
FelttemperatureTypenumberKravValgfritVærdier og grænser
Minimum: 0
Maksimum: 1
Standard—
Feltresponse_formatTypestringKravValgfritVærdier og grænser
json, verbose_json
Standardjson
Felttimestamp_granularitiesTypearrayKravValgfritVærdier og grænserStandard—
FeltproviderTypeobjectKravValgfritVærdier og grænserStandard—
Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, input_audio
Parametermaterial_typesKontraktaudio
Parametermaterial_conditionsKontraktLæs en faktisk WAV-fil, og kod dens reelle bytes til det angivne JSON input_audio; der annonceres ingen multipart-rute for denne præcise specifikation, som kun bruger JSON.

Livscyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Priser

Sådan beregnes det endelige beløb

De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand
Ikke angivet Når hurtig tilstand er valgt
flex-tilstand
Ikke angivet Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats
Ikke angivet Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Estimerede takster til sammenligning

Priser efter konfiguration

Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.

KonfigurationTakstplanForventet mængdeAfregningsenhedBeløb
KonfigurationGrundpriser for tokensTakstplanGrundtakstForventet mængde—Afregningsenhed—Beløb
Input · Inputtokens · Estimat kun til sammenligning — / 1K tokens
Output · Outputtokens · Estimat kun til sammenligning — / 1K tokens
Input · Cachelæsning · Estimat kun til sammenligning — / 1K tokens
Input · Cacheskrivning · Estimat kun til sammenligning — / 1K tokens
Input · Cacheskrivning, 1 time · Estimat kun til sammenligning — / 1K tokens
Konfigurationsekund inputlydTakstplan—Forventet mængde—Afregningsenhedpr. sekund lydinputBeløb
Input · sekund inputlyd · Estimat kun til sammenligning $0.00000666 pr. sekund lydinput
KonfigurationAnslået genereringsomkostningTakstplan—Forventet mængdeestimat for én genereringAfregningsenhed—Beløb
Output · Anslået genereringsomkostning · Estimat kun til sammenligning $0.00000666 estimat før generering

Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering.

Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →

Eksempelanmodninger

Ailoot Ultra · Transskription

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-0.6b', '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.\n

Hent og gem resultater

Ailoot Ultra · Transskription

Læsning af andet indhold
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.\n
Behold alle færdige resultater

Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.

Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.

Hvis det oprindelige svar skal kontrolleres

Gem det returnerede X-Client-Request-ID til afstemning. Brug kun faktisk returnerede task_id/asset_id-værdier eller dit eget mediebibliotek til læseanmodninger; opbyg aldrig en opgave-URL ud fra operations-ID’et, og send aldrig oprettelsesanmodningen igen.

Svarfelter
FeltType
FelttextType
FeltusageType
Feltsegments[]Type
Feltwords[]Type
Feltspeaker fieldsType
FelttimestampsType

Aliaser

Modelaliaser

Ailoot Ultra qwen/qwen3-asr-0.6b

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

qwen/qwen3-asr-0.6b

", "method_identity": { "effective_request_model_id": "qwen/qwen3-asr-0.6b", "fmt": "transcriptions", "http": "POST", "path": "/v1/audio/transcriptions", "request_model_id": "qwen/qwen3-asr-0.6b", "route_label": "Ultra" }, "method_key": "Ultra|transcriptions|/v1/audio/transcriptions|qwen%2Fqwen3-asr-0.6b", "ordinal": 0, "rawMethod": { "available": null, "billing_basis": { "basis": "original_invoice_usd", "description": "De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.", "forecast_quantity_is_estimate": true, "physical_output_is_billable_quantity": false, "version": "original_invoice_usd_v1" }, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Gem det returnerede X-Client-Request-ID til afstemning. Brug kun faktisk returnerede task_id/asset_id-værdier eller dit eget mediebibliotek til læseanmodninger; opbyg aldrig en opgave-URL ud fra operations-ID’et, og send aldrig oprettelsesanmodningen igen." }, "outputs": { "all_results": "Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] }, "parameters": [ { "enum": [ "qwen/qwen3-asr-0.6b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "name": "input_audio", "required": true, "type": "object" }, { "name": "language", "required": false, "type": "string" }, { "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "default": "json", "default_known": true, "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "qwen/qwen3-asr-0.6b" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "qwen/qwen3-asr-0.6b" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "Læs en faktisk WAV-fil, og kod dens reelle bytes til det angivne JSON input_audio; der annonceres ingen multipart-rute for denne præcise specifikation, som kun bruger JSON." ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "det faktisk returnerede task_id eller posten i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] }, { "basis": "Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Anslået genereringsomkostning", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-0.6b', 'input_audio': {'data': '${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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Transskription", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "original_invoice_usd", "image_input_price": null, "image_output_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] }, { "basis": "This estimate is not an additional charge or a fixed rate for the completed generation.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Estimated generation cost", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "request_model_id": "qwen/qwen3-asr-0.6b", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" }, { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } } ], "model_id": "qwen/qwen3-asr-0.6b", "nativeProvenance": { "input_facts_canonical_sha256": "609077e0619798c8e723897ac27e1abdd7f97be9b683e7d89c036fcb8ea3f3cf", "input_html_sha256": "c25037093e5531172c12de64cafdfd70879d739a14eee2415d010a0073a13c43", "private_audit_sha256": "2fe8ab6c4f7e6b672b2384bba8bcd6f0c0a48012ad1d5d215c2e99397c9bac94", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/da/qwen-qwen3-asr-0-6b/", "description": "Qwen3-ASR-0.6B er Qwens kompakte talegenkendelsesmodel, der omdanner talt eller sunget lyd til tekst med sprogidentifikation. Den deler familiens dækning af 30 sprog og 22 dialekter og tilbyder offline- og streamingforløb samt separat forced alignment til tidskodet tekst.", "locale": "da", "md_url": "https://ailoot.ai/models/da/qwen-qwen3-asr-0-6b/index.md", "title": "Qwen: Qwen3 ASR 0.6B — Ailoot", "url": "https://ailoot.ai/models/da/qwen-qwen3-asr-0-6b/" }, "rawModel": { "about": "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.\n\n### Sprog, dialekter og understøttede optagelser\n\nQwen 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.\n\n### Offlinegenkendelse og forberedelse af input\n\nDet 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.\n\nFor 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.\n\n### Streamet tekst og færdiggørelse af en optagelse\n\nQwen3-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.\n\nDen 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.\n\n### Tidskodet tekst bruger Qwen3-ForcedAligner\n\nQwen3-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.\n\nTil 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.\n\n### Output fra lang lyd og kontrol af genkendelsen\n\nQwen3-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.", "alias_of": null, "aliases": [], "author": "Alibaba", "capabilities": { "context_length": 0, "manufacturer_input": [ "audio" ], "manufacturer_output": [ "transcription" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ], "summary": "De fulde prisoplysninger for konfigurationen findes under detaljer." } ], "ctx": null, "formats": [ "transcriptions" ], "id": "qwen/qwen3-asr-0.6b", "input": [ "audio" ], "kind": "audio", "max_out": null, "methods": [ { "available": null, "billing_basis": { "basis": "original_invoice_usd", "description": "De viste satser bruges til at anslå omkostningen før genereringen. Det endelige beløb beregnes ud fra den registrerede omkostning for den oprindelige generering. Den målte varighed af outputtet og de anslåede mængder er ikke den endelige fakturerbare mængde.", "forecast_quantity_is_estimate": true, "physical_output_is_billable_quantity": false, "version": "original_invoice_usd_v1" }, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Gem det returnerede X-Client-Request-ID til afstemning. Brug kun faktisk returnerede task_id/asset_id-værdier eller dit eget mediebibliotek til læseanmodninger; opbyg aldrig en opgave-URL ud fra operations-ID’et, og send aldrig oprettelsesanmodningen igen." }, "outputs": { "all_results": "Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] }, "parameters": [ { "enum": [ "qwen/qwen3-asr-0.6b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "name": "input_audio", "required": true, "type": "object" }, { "name": "language", "required": false, "type": "string" }, { "maximum": 1, "minimum": 0, "name": "temperature", "required": false, "type": "number" }, { "default": "json", "default_known": true, "enum": [ "json", "verbose_json" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "items": { "enum": [ "segment", "word" ], "type": "string" }, "name": "timestamp_granularities", "required": false, "type": "array" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input_audio": { "properties": { "data": { "contentEncoding": "base64", "type": "string" }, "format": { "enum": [ "wav", "mp3", "flac", "m4a", "ogg", "webm", "aac" ], "type": "string" } }, "required": [ "data", "format" ], "type": "object" }, "language": { "description": "ISO-639-1 code; omitted means auto-detection", "type": "string" }, "model": { "enum": [ "qwen/qwen3-asr-0.6b" ], "type": "string" }, "provider": { "description": "Data policy and exact provider options; order/only/ignore are not applied to STT", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "json", "description": "verbose_json requires exact model/provider support", "enum": [ "json", "verbose_json" ], "type": "string" }, "temperature": { "maximum": 1, "minimum": 0, "type": "number" }, "timestamp_granularities": { "description": "Only used with supported verbose_json", "items": { "enum": [ "segment", "word" ], "type": "string" }, "type": "array" } }, "required": [ "model", "input_audio" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": true, "body": { "input_audio": { "data": "${BASE64_ACTUAL_WAV_BYTES}", "format": "wav" }, "model": "qwen/qwen3-asr-0.6b" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_conditions": [ "Læs en faktisk WAV-fil, og kod dens reelle bytes til det angivne JSON input_audio; der annonceres ingen multipart-rute for denne præcise specifikation, som kun bruger JSON." ], "material_types": [ "audio" ], "required": [ "model", "input_audio" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "det faktisk returnerede task_id eller posten i mediebiblioteket", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/transcriptions" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "text", "fields": [ { "description": null, "name": "text", "type": null }, { "description": null, "name": "usage", "type": null }, { "description": null, "name": "segments[]", "type": null }, { "description": null, "name": "words[]", "type": null }, { "description": null, "name": "speaker fields", "type": null }, { "description": null, "name": "timestamps", "type": null } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] }, { "basis": "Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Anslået genereringsomkostning", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "examples": [ { "code": "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-0.6b', '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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\n", "label": "curl · exact native body and complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "transcriptions", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "audio" ], "label": "Transskription", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_transcriptions", "out": null, "output": [ "text" ], "path": "/v1/audio/transcriptions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "original_invoice_usd", "image_input_price": null, "image_output_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input audio second" }, "label": "input audio second", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" } ] }, { "basis": "This estimate is not an additional charge or a fixed rate for the completed generation.", "dimensions": { "forecast_quantity": "one generation estimate" }, "label": "Estimated generation cost", "units": [ { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "request_model_id": "qwen/qwen3-asr-0.6b", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": false, "estimate_only": true, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "audio_input_second", "label": "input audio second", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "per input audio second", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_second" }, { "amount": "0.00000666", "amount_unit": "usd_per_exact_native_unit", "billing_input": false, "estimate_only": true, "key": "forecast_usd", "label": "Estimated generation cost", "native_amount_usd_per_unit": "0.00000666", "native_quantity": 1, "public_unit_label": "estimate before generation", "quantity": 1, "quantity_is_estimate": true, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "request_estimate" } ] } ], "model_aliases": [ { "canonical_model_id": "qwen/qwen3-asr-0.6b", "request_model_id": "qwen/qwen3-asr-0.6b", "route_label": "Ultra" } ], "name": "Qwen: Qwen3 ASR 0.6B", "price": { "estimate_only": true, "in": null, "in_label": null, "out": 6.66e-06, "out_label": "estimate before generation", "scope_label": "Estimated generation cost", "sort_in": null, "sort_out": 6.66e-06, "varies": false }, "short": "Qwen3-ASR-0.6B er Qwens kompakte talegenkendelsesmodel, der omdanner talt eller sunget lyd til tekst med sprogidentifikation. Den deler familiens dækning af 30 sprog og 22 dialekter og tilbyder offline- og streamingforløb samt separat forced alignment til tidskodet tekst." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Qwen3-ASR-0.6B er Qwens kompakte talegenkendelsesmodel, der omdanner talt eller sunget lyd til tekst med sprogidentifikation. Den deler familiens dækning af 30 sprog og 22 dialekter og tilbyder offline- og streamingforløb samt separat forced alignment til tidskodet tekst.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "a840c2a4c264f9d5ac58c081153b08f545ab063dad356e939dbd8a467046824a", "renderer_sha256": "2bf9f26ea9bfd57ed53d867671d8f05b41a6ea85089f48039e3365dc2b92ec2c" }, "sourceRevision": "37243fc2eb824ab21adfe82172a355286a3039f2ebc4e5cdf2ef67268b2ce514" }