Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B wandelt Sprache und Gesang in Text um und identifiziert die Sprache. Qwen dokumentiert 30 Sprachen, 22 chinesische Dialekte und Offline- oder Streaming-Erkennung; Wortzeitangaben nutzen einen separaten Qwen3-ForcedAligner-Ablauf.

Ailoot Ultra · Transkription POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b

Über das Modell

Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.

Qwen3-ASR-1.7B ist Qwens größeres Spracherkennungsmodell der Qwen3-ASR-Familie. Es nimmt Audio entgegen und liefert erkannten Text mit Sprachkennzeichnung. Die Familie baut auf Qwen3-Omnis Audioverständnis auf und nutzt ein ASR-Modell offline und im Streaming. 1.7B betont Erkennungsqualität, die separat benannte 0.6B-Edition Effizienz. Sie bleiben verschiedene Optionen mit gemeinsamer Sprachabdeckung und Erkennungsabläufen.

Sprachidentifikation und Audioabdeckung

Der Hersteller nennt 30 Sprachen, 22 chinesische Dialekte und englische Regionalakzente. Die Liste 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. Audioarten umfassen Sprache, Gesang und Lieder mit Hintergrundmusik. Transkripte dienen Interviews, Vorlesungen, Sprachaufnahmen und Liedtextprüfung, mit Originalaudio zur Kontrolle schwieriger Stellen.

Audio vorbereiten und transkribieren

Das Hersteller-Toolkit nimmt eine Audiodateireferenz, kodiertes Audio oder Wellenform mit Abtastrate entgegen; offline kann es Aufnahmen gesammelt verarbeiten. Das Toolkit kann die Sprache automatisch erkennen oder eine vorgegebene unterstützte Sprache verwenden. Verwenden Sie automatische Erkennung für unbekannte Aufnahmen, die tatsächliche Sprache, wenn bekannt und wichtig. Das Beispiel liefert erkannte oder gewählte Sprache und Text. Die Spracheinstellung steuert Erkennung, nicht eine Umschreibung in eine andere Sprache.

Behalten Sie bei Interviews Datum, Thema und Quellkennung zur Aufnahme und nutzen Sie den Text als durchsuchbares Transkript. Bewahren Sie bei Vorlesungsprüfung Fachbegriffe und Zahlen, statt unklare Wörter still durch plausible Erklärungen zu ersetzen. Prüfen Sie Liedtexte beim Hören der Gesangslinie, besonders bei von Musik verdeckten Silben. Erst nach Audioprüfung kann der Text Eingang für separate Zusammenfassung, Übersetzung oder Redaktion werden.

Streaming-Erkennung und Umfang

Die Familie erkennt eintreffendes Audio. Das Beispiel speist aufeinanderfolgende Chunks in erhaltenen Zustand, zeigt Zwischentext und beendet den Stream für finale Sprache und Text. Trennen Sie aktuelle inkrementelle Ausgabe und vollständiges Ergebnis bei Live-Untertiteln oder laufendem Transkript. Die dokumentierte Streaming-Implementierung kombiniert weder Streaming mit Batch-Inferenz noch liefert sie Zeitstempel; für ein Transkript mit Zeitstempeln ist ein anderer Ablauf nötig. Das sind Herstellerdetails, kein Versprechen über Anwendungstransport oder Live-Untertiteloberfläche.

Wort- oder Zeichenzeiten mit separatem Aligner

Qwen3-ForcedAligner-0.6B ordnet Audio vorgegebenem Text zu und prognostiziert Wort- oder Zeichenanfang und -ende. Er ist von beiden ASR-Editionen getrennt. Das Toolkit kann ihn offline für angeforderte Zeitstempel nutzen oder ein vorhandenes Text-Audio-Paar ausrichten. Dokumentiert sind 11 Sprachen: Chinesisch, Englisch, Kantonesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch. Die angegebene Dauer des auszurichtenden Sprachmaterials beträgt bis zu fünf Minuten; das betrifft den Aligner, keine Fünfminutengrenze für ASR.

Erzeugen und prüfen Sie für Untertitel erst das Transkript und richten Sie es anschließend passend an der Aufnahme aus. Nutzen Sie Zeiten für Segmente und prüfen Sie Grenzen beim Hören. Alignment verbindet Wörter und Audio, belegt aber keine Korrektur eines falschen Transkripts. Das Artefakt ist geprüfter Text mit Zeiten und Verbindung zur Aufnahme.

Lange Aufnahmen und praktische Grenzen

Die Familie unterstützt lange Audiotranskription; Beispiele weisen längeren Eingaben mehr generierten Text zu. Beispieltokenwerte sind Konfiguration, keine universelle Kontext- oder Dauergrenze. Planen Sie Ausgabe nach Aufnahme und prüfen Sie das Ende. Prüfen Sie Namen, Mengen, Sprachwechsel, verdeckte Wörter und überlappende Sprache gegen Originalaudio. Abdeckung und Robustheit garantieren kein fehlerloses Transkript jedes Akzents, jeder Aufnahme oder Musik. Ein vollständiges Ergebnis erhält erkannte Wörter, Sprache und Audiobezug für Suche, Bearbeitung und spätere Inhaltsabläufe.

Ailoot Ultra · Transkription POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b

qwen/qwen3-asr-1.7b

Alibaba /qwen/qwen3-asr-1.7b

Start

Zulässige Eingaben: Audio
Ergebnisse: Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Transkription POST /v1/audio/transcriptions

Eingabetypen: audio
Ausgabetypen: text

Feld	Typ	Anforderung	Werte und Limits	Standard
Feld`model`	Typ`string`	AnforderungErforderlich	Werte und Limits qwen/qwen3-asr-1.7b	Standard—
Feld`input_audio`	Typ`object`	AnforderungErforderlich	Werte und Limits	Standard—
Feld`language`	Typ`string`	AnforderungOptional	Werte und Limits	Standard—
Feld`temperature`	Typ`number`	AnforderungOptional	Werte und Limits Minimum: 0 Maximum: 1	Standard—
Feld`response_format`	Typ`string`	AnforderungOptional	Werte und Limits json, verbose_json	Standardjson
Feld`timestamp_granularities`	Typ`array`	AnforderungOptional	Werte und Limits	Standard—
Feld`provider`	Typ`object`	AnforderungOptional	Werte und Limits	Standard—

Methodenparameter und Lebenszyklus

Parameter	Vertrag
Parameter`content_type`	Vertragapplication/json
Parameter`required`	Vertragmodel, input_audio
Parameter`material_types`	Vertragaudio
Parameter`material_conditions`	VertragLesen Sie eine tatsächliche WAV-Datei ein und kodieren Sie ihre echten Bytes für das deklarierte JSON-Feld input_audio; für diese konkrete Deklaration ausschließlich mit JSON wird keine multipart-Route angeboten.

Lebenszyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tarife

So wird die endgültige Gebühr berechnet

Die angezeigten Tarife dienen zur Kostenschätzung vor der Generierung. Der endgültige Betrag wird aus den für die ursprüngliche Generierung erfassten Kosten berechnet. Die gemessene Ausgabedauer und prognostizierte Mengen sind nicht die endgültige abrechenbare Menge.

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus: Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus: Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand: Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Geschätzte Tarife zum Vergleich

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

Konfiguration	Tarifstaffel	Prognostizierte Menge	Abrechnungseinheit	Gebühr
KonfigurationBasistarife für Token	TarifstaffelGrundtarif	Prognostizierte Menge—	Abrechnungseinheit—	Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Token Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Lesen · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Token
KonfigurationAudioeingabesekunde	Tarifstaffel—	Prognostizierte Menge—	Abrechnungseinheitpro Sekunde Eingabeaudio	Gebühr Eingabe · Audioeingabesekunde · Schätzung nur zum Vergleich $0.000015 pro Sekunde Eingabeaudio
KonfigurationGeschätzte Generierungskosten	Tarifstaffel—	Prognostizierte MengeSchätzung für eine Generierung	Abrechnungseinheit—	Gebühr Ausgabe · Geschätzte Generierungskosten · Schätzung nur zum Vergleich $0.000015 Schätzung vor der Generierung Diese Schätzung ist weder eine zusätzliche Gebühr noch ein fester Tarif für die abgeschlossene Generierung.

Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →

Beispielanfragen

Ailoot Ultra · Transkription

curl · exakter nativer Request-Body und vollständiges Ergebnis

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

Ergebnisse abrufen und speichern

Ailoot Ultra · Transkription

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

Abrufe anderer Inhalte

Vorhandene eigene Dateien abrufen

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

Alle fertiggestellten Ergebnisse aufbewahren

Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.

Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.

Wenn die ursprüngliche Antwort geprüft werden muss

Die zurückgegebene X-Client-Request-ID zum Abgleich aufbewahren. Nur tatsächlich zurückgegebene task_id-/asset_id-Werte oder die eigene Medienbibliothek abfragen; niemals eine Aufgaben-URL aus der Vorgangs-ID bilden und die Erstellung niemals erneut anfordern.

Antwortfelder

Feld	Typ
Feld`text`	Typ
Feld`usage`	Typ
Feld`segments[]`	Typ
Feld`words[]`	Typ
Feld`speaker fields`	Typ
Feld`timestamps`	Typ

Aliasnamen

Modellaliasnamen

Ailoot Ultra qwen/qwen3-asr-1.7b

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

qwen/qwen3-asr-1.7b

FAQ · Qwen: Qwen3 ASR 1.7B

Welche Eingaben und Ergebnisse sind verfügbar?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: audio → text
Welche Felder verwendet die Anfrage?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Welche Grenzen gelten?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: temperature.minimum: 0; temperature.maximum: 1

Qwen: Qwen3 ASR 1.7B