Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B ist Qwens größeres Spracherkennungsmodell der Qwen3-ASR-Familie. Es nimmt Audio entgegen und gibt erkannten Text zusammen mit einer Sprachkennung zurück. Die Familie baut auf der Audioverständnisgrundlage von Qwen3-Omni auf und verwendet ein ASR-Modell für Offline- und Streaming-Erkennung. Die 1.7B-Edition betont Erkennungsqualität, während die separat benannte 0.6B-Edition Effizienz hervorhebt. Diese Editionen bleiben unterschiedliche Optionen, auch wenn sie dokumentierte Sprachabdeckung und Erkennungsabläufe teilen.

Sprachidentifikation und Audioabdeckung

Der Hersteller nennt 30 Sprachen und 22 chinesische Dialekte sowie englische Akzente mehrerer Regionen. Die Sprachenliste umfasst Chinesisch, Englisch, Kantonesisch, Arabisch, Deutsch, Französisch, Spanisch, Portugiesisch, Indonesisch, Italienisch, Koreanisch, Russisch, Thai, Vietnamesisch, Japanisch, Türkisch, Hindi, Malaiisch, Niederländisch, Schwedisch, Dänisch, Finnisch, Polnisch, Tschechisch, Filipino, Persisch, Griechisch, Ungarisch, Mazedonisch und Rumänisch. Unterstützte Audiotypen sind Sprache, Gesang und Lieder mit Hintergrundmusik. Diese Fähigkeiten machen das Transkript für Interviews, Vorträge, Sprachaufnahmen und die Prüfung von Liedtexten nützlich; das ursprüngliche Audio bleibt zur Prüfung schwieriger Passagen erhalten.

Audio vorbereiten und ein Transkript erhalten

Das Toolkit des Herstellers akzeptiert eine Audiodateireferenz, kodiertes Audio oder eine Wellenform mit ihrer Abtastrate; sein Offline-Ablauf kann eine Sammlung von Aufnahmen verarbeiten. Es kann die Sprache automatisch erkennen oder eine vorgegebene unterstützte Sprache verwenden. Wählen Sie automatische Erkennung für eine unbekannte Aufnahme; geben Sie die tatsächlich gesprochene Sprache vor, wenn sie bekannt und für die Aufgabe relevant ist. Das Beispielergebnis enthält erkannte oder ausgewählte Sprache und erkannten Text. Die Spracheinstellung steuert die Erkennung der Aufnahme statt eine Anforderung zu definieren, ihren Inhalt in einer anderen Sprache neu zu schreiben.

Bewahren Sie bei einem Interview die Aufnahme zusammen mit Datum, Thema und Quellkennung und verwenden Sie anschließend den zurückgegebenen Text als durchsuchbares Transkript. Bewahren Sie bei einem Vortrag Fachbegriffe und numerische Ausdrücke während der Prüfung, statt unklare Wörter stillschweigend durch eine plausible Erklärung zu ersetzen. Prüfen Sie bei einem Lied den erkannten Text beim Anhören der Gesangslinie, besonders wenn Musik eine Silbe verdeckt. Das Transkript kann nach Prüfung seines Wortlauts anhand des Audios die Eingabe für einen separaten Zusammenfassungs-, Übersetzungs- oder Redaktionsschritt werden.

Streaming-Erkennung und ihr Umfang

Dieselbe ASR-Familie unterstützt Erkennung während des Audioeingangs. Das Streaming-Beispiel des Herstellers speist aufeinanderfolgende Audioabschnitte in einen beibehaltenen Erkennungszustand ein, zeigt vorläufigen Text und beendet anschließend den Stream für die endgültige Sprache und das Transkript. Unterscheiden Sie bei Live-Untertiteln oder einem laufenden Transkript den aktuellen inkrementellen Text vom abgeschlossenen Ergebnis. Die dokumentierte Streaming-Implementierung verbindet Streaming nicht mit Batch-Inferenz und liefert keine Zeitstempel; ein zeitlich zugeordnetes Transkript verwendet einen anderen Ablauf. Dies sind Implementierungsdetails des Herstellers, kein Versprechen zum Transport oder zur Live-Untertiteloberfläche einer Anwendung.

Wort- oder Zeichenzeiten mit einem separaten Aligner

Qwen3-ForcedAligner-0.6B richtet eine Audioaufnahme an geliefertem Text aus und sagt Start- und Endzeiten auf Wort- oder Zeichenebene voraus. Es ist ein separates Modell, getrennt von beiden Qwen3-ASR-Editionen. Das ASR-Toolkit kann diesen Aligner verwenden, wenn in seinem Offline-Transkriptionsablauf Zeitstempel verlangt werden; alternativ kann die Ausrichtung auf einem vorhandenen Text-Audio-Paar laufen. Die dokumentierte Abdeckung des Aligners umfasst 11 Sprachen: Chinesisch, Englisch, Kantonesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch. Seine genannte Sprachdauer beträgt bis zu fünf Minuten; dies ist der Umfang des Aligners, keine Fünf-Minuten-Grenze für ASR-Transkription.

Erstellen und prüfen Sie zur Untertitelvorbereitung zunächst das Transkript und richten Sie es anschließend an der Quellaufnahme aus, wo dieser Ausrichtungsablauf geeignet ist. Verwenden Sie die zurückgegebenen Start- und Endzeiten für Untertitelsegmente und prüfen Sie ihre Grenzen beim Anhören. Ausrichtung ordnet gelieferte Wörter Audio zu; sie gilt nicht als Beleg, dass ein fehlerhaftes Transkript korrigiert wurde. Das nützliche Artefakt ist ein geprüftes Transkript mit Zeitinformationen, das mit seiner beschriebenen Aufnahme verbunden bleibt.

Lange Aufnahmen und praktische Grenzen

Die Familie unterstützt Transkription langer Audioaufnahmen; die offiziellen Beispiele weisen darauf hin, bei längerer Eingabe mehr generierten Text zuzulassen. Ihre beispielhaften Token-Einstellungen sind Konfigurationsentscheidungen, keine universelle Modellkontext- oder Audiodauergrenze. Planen Sie das Ausgabebudget nach der Aufnahme und prüfen Sie, dass das Ende vorhanden ist. Prüfen Sie Namen, Mengen, Sprachwechsel, verdeckte Wörter und überlappende Sprache anhand des ursprünglichen Tons. Sprachabdeckung und Robustheit gegenüber schwierigem Audio garantieren kein fehlerfreies Transkript für jeden Akzent, jede Aufnahme oder jedes musikalische Arrangement. Ein vollständiges Ergebnis bewahrt erkannten Wortlaut, Sprache und Beziehung zum Audio, damit es gesucht, bearbeitet oder in einem späteren Inhaltsablauf verwendet werden kann.