Qwen3-ASR-1.7B er Qwens større talegenkendelsesmodel i Qwen3-ASR-familien. Den modtager lyd og returnerer genkendt tekst sammen med en sprogbetegnelse. Familien bygger på grundlaget for lydforståelse i Qwen3-Omni og bruger én ASR-model til offline- og streaminggenkendelse. 1.7B-udgaven lægger vægt på genkendelseskvalitet, mens den særskilt navngivne 0.6B-udgave lægger vægt på effektivitet. Udgaverne forbliver særskilte valg, selv om de deler den dokumenterede sprogdækning og genkendelsesforløbene.
Producenten angiver 30 sprog og 22 kinesiske dialekter samt engelske accenter fra flere regioner. Sproglisten 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, filippinsk, persisk, græsk, ungarsk, makedonsk og rumænsk. De understøttede lydtyper omfatter tale, sangstemme og sange med baggrundsmusik. Disse evner gør transskriptionen nyttig til interviews, forelæsninger, stemmeoptagelser og gennemgang af sangtekster, når den oprindelige lyd bevares til kontrol af vanskelige passager.
Producentens værktøjssæt accepterer en lydfilreference, kodet lyd eller en bølgeform sammen med dens samplingsfrekvens, og offlineforløbet kan behandle en samling optagelser. Det kan registrere sproget automatisk eller bruge et angivet understøttet sprog. Vælg automatisk registrering til en ukendt optagelse; angiv det faktiske talte sprog, når det er kendt og relevant for opgaven. Eksempelresultatet viser det registrerede eller valgte sprog og den genkendte tekst. Sprogindstillingen vejleder genkendelsen af optagelsen frem for at definere en anmodning om at omskrive indholdet til et andet sprog.
Til et interview skal du bevare optagelsens forbindelse til dato, emne og kildeidentifikator og derefter bruge den returnerede tekst som en søgbar transskription. Til en forelæsning skal du bevare fagtermer og numeriske udtryk under gennemgangen frem for ubemærket at erstatte uklare ord med en plausibel forklaring. Til en sang skal du kontrollere den genkendte tekst, mens du lytter til sangstemmen, især hvor musikken skjuler en stavelse. Transskriptionen kan blive input til et særskilt trin med sammenfatning, oversættelse eller redigering, når ordlyden er kontrolleret mod lyden.
Den samme ASR-familie understøtter genkendelse, mens lyd ankommer. Producentens streamingeksempel indlæser successive lydstykker i en bevaret genkendelsestilstand, viser foreløbig tekst og afslutter derefter strømmen for at få det endelige sprog og den endelige transskription. Skeln mellem den aktuelle, løbende tekst og det afsluttede resultat, når du forbereder liveundertekster eller en løbende transskription. Den dokumenterede streamingimplementering kombinerer ikke streaming med batchinferens og returnerer ikke tidsstempler; en tidsangivet transskription bruger et andet forløb. Dette er detaljer i producentens implementering frem for et løfte om en applikations transport eller liveundertekstgrænseflade.
Qwen3-ForcedAligner-0.6B tilpasser en lydoptagelse til angivet tekst og forudsiger start- og sluttider på ord- eller tegnniveau. Det er en særskilt model fra begge Qwen3-ASR-udgaver. ASR-værktøjssættet kan bruge denne aligner, når tidsstempler ønskes i dets offlinetransskriptionsforløb, eller tilpasningen kan køres på et eksisterende tekst–lyd-par. Alignerens dokumenterede dækning er 11 sprog: kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk. Dens angivne talespænd er op til fem minutter; dette er alignerens omfang, ikke et femminuttersloft for ASR-transskription.
Til undertekstforberedelse skal du først fremstille og gennemgå transskriptionen og derefter tilpasse den til kildeoptagelsen, hvor dette tilpasningsforløb er passende. Brug de returnerede start- og sluttider til at forberede undertekstsegmenter, og undersøg grænserne, mens du lytter. Tilpasning knytter angivne ord til lyd; det bør ikke behandles som bevis på, at en forkert transskription er blevet rettet. Det nyttige produkt er en kontrolleret transskription med tidsoplysninger, der forbliver forbundet med den optagelse, den beskriver.
Familien understøtter transskription af lang lyd, og de officielle eksempler instruerer brugere i at tillade mere genereret tekst til længere input. De illustrative tokenindstillinger er konfigurationsvalg frem for en universel modelkontekst- eller lydvarighedsgrænse. Planlæg outputrammen efter optagelsen, og kontrollér, at afslutningen er med. Gennemgå navne, mængder, sprogskift, slørede ord og overlappende tale mod den oprindelige lyd. Sprogdækning og robusthed over for udfordrende lyd garanterer ikke en fejlfri transskription for enhver accent, enhver optagelse eller ethvert musikalsk arrangement. Et komplet resultat bevarer den genkendte ordlyd, sproget og forbindelsen til lyden, så det kan søges, redigeres eller bruges i et senere indholdsforløb.
", "aboutText": "Qwen3-ASR-1.7B er Qwens større talegenkendelsesmodel i Qwen3-ASR-familien. Den modtager lyd og returnerer genkendt tekst sammen med en sprogbetegnelse. Familien bygger på grundlaget for lydforståelse i Qwen3-Omni og bruger én ASR-model til offline- og streaminggenkendelse. 1.7B-udgaven lægger vægt på genkendelseskvalitet, mens den særskilt navngivne 0.6B-udgave lægger vægt på effektivitet. Udgaverne forbliver særskilte valg, selv om de deler den dokumenterede sprogdækning og genkendelsesforløbene.\n\n### Sprogidentifikation og lyddækning\n\nProducenten angiver 30 sprog og 22 kinesiske dialekter samt engelske accenter fra flere regioner. Sproglisten 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, filippinsk, persisk, græsk, ungarsk, makedonsk og rumænsk. De understøttede lydtyper omfatter tale, sangstemme og sange med baggrundsmusik. Disse evner gør transskriptionen nyttig til interviews, forelæsninger, stemmeoptagelser og gennemgang af sangtekster, når den oprindelige lyd bevares til kontrol af vanskelige passager.\n\n### Forberedelse af lyd og fremstilling af en transskription\n\nProducentens værktøjssæt accepterer en lydfilreference, kodet lyd eller en bølgeform sammen med dens samplingsfrekvens, og offlineforløbet kan behandle en samling optagelser. Det kan registrere sproget automatisk eller bruge et angivet understøttet sprog. Vælg automatisk registrering til en ukendt optagelse; angiv det faktiske talte sprog, når det er kendt og relevant for opgaven. Eksempelresultatet viser det registrerede eller valgte sprog og den genkendte tekst. Sprogindstillingen vejleder genkendelsen af optagelsen frem for at definere en anmodning om at omskrive indholdet til et andet sprog.\n\nTil et interview skal du bevare optagelsens forbindelse til dato, emne og kildeidentifikator og derefter bruge den returnerede tekst som en søgbar transskription. Til en forelæsning skal du bevare fagtermer og numeriske udtryk under gennemgangen frem for ubemærket at erstatte uklare ord med en plausibel forklaring. Til en sang skal du kontrollere den genkendte tekst, mens du lytter til sangstemmen, især hvor musikken skjuler en stavelse. Transskriptionen kan blive input til et særskilt trin med sammenfatning, oversættelse eller redigering, når ordlyden er kontrolleret mod lyden.\n\n### Streaminggenkendelse og dens omfang\n\nDen samme ASR-familie understøtter genkendelse, mens lyd ankommer. Producentens streamingeksempel indlæser successive lydstykker i en bevaret genkendelsestilstand, viser foreløbig tekst og afslutter derefter strømmen for at få det endelige sprog og den endelige transskription. Skeln mellem den aktuelle, løbende tekst og det afsluttede resultat, når du forbereder liveundertekster eller en løbende transskription. Den dokumenterede streamingimplementering kombinerer ikke streaming med batchinferens og returnerer ikke tidsstempler; en tidsangivet transskription bruger et andet forløb. Dette er detaljer i producentens implementering frem for et løfte om en applikations transport eller liveundertekstgrænseflade.\n\n### Timing af ord eller tegn med en særskilt aligner\n\nQwen3-ForcedAligner-0.6B tilpasser en lydoptagelse til angivet tekst og forudsiger start- og sluttider på ord- eller tegnniveau. Det er en særskilt model fra begge Qwen3-ASR-udgaver. ASR-værktøjssættet kan bruge denne aligner, når tidsstempler ønskes i dets offlinetransskriptionsforløb, eller tilpasningen kan køres på et eksisterende tekst–lyd-par. Alignerens dokumenterede dækning er 11 sprog: kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk. Dens angivne talespænd er op til fem minutter; dette er alignerens omfang, ikke et femminuttersloft for ASR-transskription.\n\nTil undertekstforberedelse skal du først fremstille og gennemgå transskriptionen og derefter tilpasse den til kildeoptagelsen, hvor dette tilpasningsforløb er passende. Brug de returnerede start- og sluttider til at forberede undertekstsegmenter, og undersøg grænserne, mens du lytter. Tilpasning knytter angivne ord til lyd; det bør ikke behandles som bevis på, at en forkert transskription er blevet rettet. Det nyttige produkt er en kontrolleret transskription med tidsoplysninger, der forbliver forbundet med den optagelse, den beskriver.\n\n### Lange optagelser og praktiske begrænsninger\n\nFamilien understøtter transskription af lang lyd, og de officielle eksempler instruerer brugere i at tillade mere genereret tekst til længere input. De illustrative tokenindstillinger er konfigurationsvalg frem for en universel modelkontekst- eller lydvarighedsgrænse. Planlæg outputrammen efter optagelsen, og kontrollér, at afslutningen er med. Gennemgå navne, mængder, sprogskift, slørede ord og overlappende tale mod den oprindelige lyd. Sprogdækning og robusthed over for udfordrende lyd garanterer ikke en fejlfri transskription for enhver accent, enhver optagelse eller ethvert musikalsk arrangement. Et komplet resultat bevarer den genkendte ordlyd, sproget og forbindelsen til lyden, så det kan søges, redigeres eller bruges i et senere indholdsforløb.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c84dc7dde00383aee8dca21e026570c26212fa85ef626673a1696c9bfd9c20cb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B omdanner tale og sang til tekst og identificerer sproget. Qwen dokumenterer 30 sprog, 22 kinesiske dialekter og offline- eller streaminggenkendelse; timing på ordniveau bruger et særskilt Qwen3-ForcedAligner-forløb.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-ASR-1.7B er Qwens større talegenkendelsesmodel i Qwen3-ASR-familien. Den modtager lyd og returnerer genkendt tekst sammen med en sprogbetegnelse. Familien bygger på grundlaget for lydforståelse i Qwen3-Omni og bruger én ASR-model til offline- og streaminggenkendelse. 1.7B-udgaven lægger vægt på genkendelseskvalitet, mens den særskilt navngivne 0.6B-udgave lægger vægt på effektivitet. Udgaverne forbliver særskilte valg, selv om de deler den dokumenterede sprogdækning og genkendelsesforløbene.
Producenten angiver 30 sprog og 22 kinesiske dialekter samt engelske accenter fra flere regioner. Sproglisten 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, filippinsk, persisk, græsk, ungarsk, makedonsk og rumænsk. De understøttede lydtyper omfatter tale, sangstemme og sange med baggrundsmusik. Disse evner gør transskriptionen nyttig til interviews, forelæsninger, stemmeoptagelser og gennemgang af sangtekster, når den oprindelige lyd bevares til kontrol af vanskelige passager.
Producentens værktøjssæt accepterer en lydfilreference, kodet lyd eller en bølgeform sammen med dens samplingsfrekvens, og offlineforløbet kan behandle en samling optagelser. Det kan registrere sproget automatisk eller bruge et angivet understøttet sprog. Vælg automatisk registrering til en ukendt optagelse; angiv det faktiske talte sprog, når det er kendt og relevant for opgaven. Eksempelresultatet viser det registrerede eller valgte sprog og den genkendte tekst. Sprogindstillingen vejleder genkendelsen af optagelsen frem for at definere en anmodning om at omskrive indholdet til et andet sprog.
Til et interview skal du bevare optagelsens forbindelse til dato, emne og kildeidentifikator og derefter bruge den returnerede tekst som en søgbar transskription. Til en forelæsning skal du bevare fagtermer og numeriske udtryk under gennemgangen frem for ubemærket at erstatte uklare ord med en plausibel forklaring. Til en sang skal du kontrollere den genkendte tekst, mens du lytter til sangstemmen, især hvor musikken skjuler en stavelse. Transskriptionen kan blive input til et særskilt trin med sammenfatning, oversættelse eller redigering, når ordlyden er kontrolleret mod lyden.
Den samme ASR-familie understøtter genkendelse, mens lyd ankommer. Producentens streamingeksempel indlæser successive lydstykker i en bevaret genkendelsestilstand, viser foreløbig tekst og afslutter derefter strømmen for at få det endelige sprog og den endelige transskription. Skeln mellem den aktuelle, løbende tekst og det afsluttede resultat, når du forbereder liveundertekster eller en løbende transskription. Den dokumenterede streamingimplementering kombinerer ikke streaming med batchinferens og returnerer ikke tidsstempler; en tidsangivet transskription bruger et andet forløb. Dette er detaljer i producentens implementering frem for et løfte om en applikations transport eller liveundertekstgrænseflade.
Qwen3-ForcedAligner-0.6B tilpasser en lydoptagelse til angivet tekst og forudsiger start- og sluttider på ord- eller tegnniveau. Det er en særskilt model fra begge Qwen3-ASR-udgaver. ASR-værktøjssættet kan bruge denne aligner, når tidsstempler ønskes i dets offlinetransskriptionsforløb, eller tilpasningen kan køres på et eksisterende tekst–lyd-par. Alignerens dokumenterede dækning er 11 sprog: kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk. Dens angivne talespænd er op til fem minutter; dette er alignerens omfang, ikke et femminuttersloft for ASR-transskription.
Til undertekstforberedelse skal du først fremstille og gennemgå transskriptionen og derefter tilpasse den til kildeoptagelsen, hvor dette tilpasningsforløb er passende. Brug de returnerede start- og sluttider til at forberede undertekstsegmenter, og undersøg grænserne, mens du lytter. Tilpasning knytter angivne ord til lyd; det bør ikke behandles som bevis på, at en forkert transskription er blevet rettet. Det nyttige produkt er en kontrolleret transskription med tidsoplysninger, der forbliver forbundet med den optagelse, den beskriver.
Familien understøtter transskription af lang lyd, og de officielle eksempler instruerer brugere i at tillade mere genereret tekst til længere input. De illustrative tokenindstillinger er konfigurationsvalg frem for en universel modelkontekst- eller lydvarighedsgrænse. Planlæg outputrammen efter optagelsen, og kontrollér, at afslutningen er med. Gennemgå navne, mængder, sprogskift, slørede ord og overlappende tale mod den oprindelige lyd. Sprogdækning og robusthed over for udfordrende lyd garanterer ikke en fejlfri transskription for enhver accent, enhver optagelse eller ethvert musikalsk arrangement. Et komplet resultat bevarer den genkendte ordlyd, sproget og forbindelsen til lyden, så det kan søges, redigeres eller bruges i et senere indholdsforløb.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-asr-1.7b | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
Feltlanguage | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Minimum: 0 Maksimum: 1 | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser json, verbose_json | Standardjson |
Felttimestamp_granularities | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktLæs 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}
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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Forventet mængde | Afregningsenhed | Beløb |
|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Forventet 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 inputlyd | Takstplan— | Forventet mængde— | Afregningsenhedpr. sekund lydinput | Beløb Input · sekund inputlyd · Estimat kun til sammenligning $0.000015 pr. sekund lydinput |
| KonfigurationAnslået genereringsomkostning | Takstplan— | Forventet mængdeestimat for én generering | Afregningsenhed— | Beløb Output · Anslået genereringsomkostning · Estimat kun til sammenligning $0.000015 estimat før generering Dette estimat er hverken et ekstra gebyr eller en fast pris for den færdige generering. |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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.\nGem 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.
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.
| Felt | Type |
|---|---|
Felttext | Type |
Feltusage | Type |
Feltsegments[] | Type |
Feltwords[] | Type |
Feltspeaker fields | Type |
Felttimestamps | Type |
Ailoot Ultra qwen/qwen3-asr-1.7b
Brug metodestierne vist ovenfor.