Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B ist die kompakte Ausgabe von Qwens Spracherkennungsfamilie Qwen3-ASR. Es akzeptiert Audio und erzeugt eine Transkription mit einer Sprachangabe. Der Hersteller positioniert 0.6B als Gleichgewicht zwischen Erkennungsqualität und Effizienz, während 1.7B die separat benannte grössere Ausgabe ist. Beide greifen auf das Audioverständnis von Qwen3-Omni zurück und teilen die dokumentierte Erkennungsabdeckung sowie den einheitlichen Offline-/Streaming-Ansatz. Die kompakte Ausgabe kann den Transkriptionsschritt in einem Ablauf für Sprachnotizen, die Vorbereitung von Untertiteln oder durchsuchbare Aufnahmen übernehmen.

Sprachen, Dialekte und unterstützte Aufnahmen

Qwen dokumentiert Erkennung und Sprachidentifikation für 30 Sprachen und 22 chinesische Dialekte sowie die Unterstützung englischer Akzente aus verschiedenen Regionen. Die Sprachtabelle führt 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 auf. Zu den erkannten Audiotypen gehören gesprochene Sprache, Gesangsstimmen und Lieder mit Hintergrundmusik. Die kleinere Ausgabe behält diese Abdeckung der Familie bei; ihre Grösse bedeutet keine andere Liste unterstützter Sprachen.

Offline-Erkennung und Vorbereitung der Eingabe

Das offizielle Toolkit kann Audio über einen Dateiverweis, als codierte Audiodaten oder als Wellenform mit zugehöriger Abtastrate empfangen. Es unterstützt die Offline-Verarbeitung mehrerer Aufnahmen, die automatische Erkennung der Sprache und die Vorgabe einer unterstützten Sprache. Das dokumentierte Ergebnis enthält die Sprache und den erkannten Text. Wählen Sie die gesprochene Sprache aus, wenn Sie sie kennen, oder lassen Sie das Modell sie identifizieren, wenn eine Sammlung unbekannte Sprachen enthält. Bewahren Sie die Kennung jeder Aufnahme zusammen mit ihrem Ergebnis auf, damit sich eine Transkription auf die richtige Quelle zurückführen lässt.

Bewahren Sie bei einer Sammlung von Sprachnotizen für jede Notiz ein separates Ergebnis auf und prüfen Sie Namen, Zahlen und unklare Formulierungen anhand der Aufnahme, bevor Sie den Text in Aufgaben oder eine Zusammenfassung umwandeln. Nutzen Sie bei einer gesprochenen Anleitung die Transkription, um Passagen zu finden und den Wortlaut jeder Anweisung zu prüfen. Hören Sie bei Gesang zur Überprüfung des Liedtexts auf die Gesangslinie, statt ein Wort allein deshalb zu akzeptieren, weil es im Lied sinnvoll erscheint. Dies sind Vorbereitungs- und Prüfschritte für das Textergebnis; Zusammenfassung, Übersetzung oder Interpretation der Transkription können als separate Vorgänge folgen.

Streaming-Text und Abschluss einer Aufnahme

Qwen3-ASR verwendet dasselbe Modell für Offline- und Streaming-Erkennung. Im Streaming-Beispiel des Herstellers aktualisieren eingehende Audioblöcke einen beibehaltenen Erkennungszustand, und ein Abschlussschritt liefert den vollständigen Text und die Sprache. Dies ermöglicht eine schrittweise Anzeige, die für eine laufende Transkription nützlich ist. Behandeln Sie die vorläufige Anzeige als aktuellen Erkennungsstand und bewahren Sie nach dem Ende der Aufnahme das endgültige Ergebnis auf. Halten Sie dabei die Audioquelle für Korrekturen verfügbar.

Die dokumentierte Streaming-Implementierung unterstützt in diesem Streaming-Ablauf weder Batch-Inferenz noch die Rückgabe von Zeitstempeln. Streaming-Text, eine Sammlung von Offline-Transkriptionen und die Vorbereitung zeitlich zugeordneter Untertitel sind daher unterschiedliche Herstellerabläufe. Die beispielhaften Blockgrössen und Token-Einstellungen des Herstellers veranschaulichen eine Implementierung; sie sind keine allgemeingültigen Zusagen zu Latenz, Parallelität oder Audiolänge. Wählen Sie den Ablauf danach, ob das nützliche Ergebnis während einer Aufnahme eintreffender Text, fertiger Text für eine Sammlung oder einer Zeitleiste zugeordneter Text sein soll.

Text mit Zeitmarken verwendet Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B ist ein separates Ausrichtungsmodell, obwohl es dieselbe Grössenbezeichnung 0.6B wie diese ASR-Ausgabe trägt. Es verarbeitet ein Text-Audio-Paar und prognostiziert Start- und Endzeiten auf Wort- oder Zeichenebene. Das Offline-ASR-Toolkit des Herstellers kann es aufrufen, wenn Zeitstempel angefordert werden. Sein dokumentierter Sprachumfang umfasst Chinesisch, Englisch, Kantonesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch; der angegebene Ausrichtungszeitraum beträgt bis zu fünf Minuten Sprache. Dieser engere Sprachumfang und die Dauer von fünf Minuten gehören zum Forced Alignment, nicht zur allgemeinen Transkriptionsabdeckung des ASR-Modells.

Bereiten Sie für Untertitel eine geprüfte Transkription in der Sprache der Aufnahme vor, richten Sie sie im unterstützten Ablauf zeitlich aus und kontrollieren Sie die Segmentgrenzen während der Wiedergabe der Quelle. Ein nutzbares Untertitelergebnis hält Wortlaut und Zeitangaben zusammen. Ist ein transkribiertes Wort falsch, korrigieren Sie den Wortlaut anhand des Audios, statt anzunehmen, dass eine Zeitspanne das Wort bestätigt. Diese Trennung macht deutlich, ob ein Problem bei der Erkennung, im bereitgestellten Text oder bei der Platzierung einer Untertitelgrenze liegt.

Ausgabe bei langem Audio und Prüfung der Erkennung

Die Qwen3-ASR-Familie unterstützt lange Aufnahmen. Ihre Inferenzbeispiele empfehlen, für längeres Audio mehr generierte Token zuzulassen. Stellen Sie daher sicher, dass die Transkription bis zum Ende der Aufnahme reicht und nicht durch ein Ausgabelimit abgeschnitten wurde. Die veröffentlichten Beispiele legen weder ein allgemeingültiges numerisches Kontextfenster noch eine maximale ASR-Aufnahmedauer fest. Halten Sie nützliche Abschnitte und ihre Quellpositionen zusammen, wenn Sie eine längere Aufnahme für die Prüfung organisieren. Prüfen Sie verdeckte Wörter, Sprachwechsel, überlappende Sprache, ungewöhnliche Namen und gesungene Silben anhand des Originaltons. Das praktische Ergebnis ist erkannter Text mit einer Sprachangabe, bereit für die Suche oder einen anschliessenden Inhaltsschritt; bei Bedarf werden Zeitmarken über den separaten Ausrichtungsablauf ergänzt.