Qwen: Qwen3 ASR 1.7B

Το Qwen3-ASR-1.7B είναι το μεγαλύτερο μοντέλο αναγνώρισης ομιλίας της Qwen στην οικογένεια Qwen3-ASR. Λαμβάνει ήχο και επιστρέφει αναγνωρισμένο κείμενο μαζί με μια ετικέτα γλώσσας. Η οικογένεια βασίζεται στην υποδομή κατανόησης ήχου του Qwen3-Omni και χρησιμοποιεί ένα μοντέλο ASR για αναγνώριση εκτός σύνδεσης και σε ροή. Η έκδοση 1.7B δίνει έμφαση στην ποιότητα αναγνώρισης, ενώ η χωριστά ονομασμένη έκδοση 0.6B δίνει έμφαση στην αποδοτικότητα. Αυτές οι εκδόσεις παραμένουν χωριστές επιλογές, παρόλο που μοιράζονται την τεκμηριωμένη γλωσσική κάλυψη και τις ροές αναγνώρισης.

Αναγνώριση γλώσσας και κάλυψη ήχου

Ο κατασκευαστής απαριθμεί 30 γλώσσες και 22 κινεζικές διαλέκτους, καθώς και αγγλικές προφορές από πολλές περιοχές. Ο κατάλογος γλωσσών περιλαμβάνει κινεζικά, αγγλικά, καντονέζικα, αραβικά, γερμανικά, γαλλικά, ισπανικά, πορτογαλικά, ινδονησιακά, ιταλικά, κορεατικά, ρωσικά, ταϊλανδικά, βιετναμέζικα, ιαπωνικά, τουρκικά, χίντι, μαλαϊκά, ολλανδικά, σουηδικά, δανικά, φινλανδικά, πολωνικά, τσεχικά, φιλιππινέζικα, περσικά, ελληνικά, ουγγρικά, μακεδονικά και ρουμανικά. Οι υποστηριζόμενοι τύποι ήχου περιλαμβάνουν ομιλία, τραγουδιστή φωνή και τραγούδια με μουσική υποβάθρου. Αυτές οι δυνατότητες καθιστούν τη μεταγραφή χρήσιμη για συνεντεύξεις, διαλέξεις, ηχογραφήσεις φωνής και έλεγχο στίχων, με διατήρηση του αρχικού ήχου για έλεγχο δύσκολων αποσπασμάτων.

Προετοιμασία ήχου και λήψη μεταγραφής

Η εργαλειοθήκη του δημιουργού δέχεται αναφορά αρχείου ήχου, κωδικοποιημένο ήχο ή κυματομορφή μαζί με τη συχνότητα δειγματοληψίας της και η ροή εκτός σύνδεσης μπορεί να επεξεργάζεται μια συλλογή ηχογραφήσεων. Μπορεί να εντοπίζει τη γλώσσα αυτόματα ή να χρησιμοποιεί συγκεκριμένη υποστηριζόμενη γλώσσα. Επιλέξτε αυτόματο εντοπισμό για άγνωστη ηχογράφηση· δώστε την πραγματική ομιλούμενη γλώσσα όταν είναι γνωστή και σχετική με την εργασία. Το αποτέλεσμα του παραδείγματος εκθέτει την εντοπισμένη ή επιλεγμένη γλώσσα και το αναγνωρισμένο κείμενο. Η ρύθμιση γλώσσας καθοδηγεί την αναγνώριση της ηχογράφησης, αντί να ορίζει αίτημα αναδιατύπωσης του περιεχομένου της σε άλλη γλώσσα.

Για μια συνέντευξη, διατηρήστε την ηχογράφηση συνδεδεμένη με την ημερομηνία, το θέμα και το αναγνωριστικό πηγής της και έπειτα χρησιμοποιήστε το επιστρεφόμενο κείμενο ως μεταγραφή με δυνατότητα αναζήτησης. Για μια διάλεξη, διατηρήστε τους τεχνικούς όρους και τις αριθμητικές εκφράσεις κατά τον έλεγχο, αντί να αντικαθιστάτε σιωπηρά ασαφείς λέξεις με μια εύλογη εξήγηση. Για ένα τραγούδι, ελέγξτε τους αναγνωρισμένους στίχους ακούγοντας τη φωνητική γραμμή, ιδιαίτερα όπου η μουσική καλύπτει μια συλλαβή. Η μεταγραφή μπορεί να γίνει είσοδος για χωριστό βήμα σύνοψης, μετάφρασης ή επιμέλειας αφού η διατύπωσή της ελεγχθεί έναντι του ήχου.

Αναγνώριση σε ροή και το πεδίο της

Η ίδια οικογένεια ASR υποστηρίζει αναγνώριση ενώ φτάνει ο ήχος. Το παράδειγμα ροής του κατασκευαστή τροφοδοτεί διαδοχικά τμήματα ήχου σε διατηρούμενη κατάσταση αναγνώρισης, εμφανίζει προσωρινό κείμενο και έπειτα ολοκληρώνει τη ροή για να λάβει την τελική γλώσσα και μεταγραφή. Διατηρήστε τη διάκριση μεταξύ του τρέχοντος σταδιακού κειμένου και του ολοκληρωμένου αποτελέσματος κατά την προετοιμασία ζωντανών υποτίτλων ή συνεχούς μεταγραφής. Η τεκμηριωμένη υλοποίηση ροής δεν συνδυάζει τη ροή με συμπερασμό σε παρτίδες ούτε επιστρέφει χρονικές σημάνσεις· μια χρονισμένη μεταγραφή χρησιμοποιεί διαφορετική ροή εργασίας. Αυτά είναι στοιχεία υλοποίησης του δημιουργού και όχι υπόσχεση για τον μηχανισμό μεταφοράς ή τη διεπαφή ζωντανών υποτίτλων μιας εφαρμογής.

Χρονισμός λέξεων ή χαρακτήρων με χωριστό ευθυγραμμιστή

Το Qwen3-ForcedAligner-0.6B ευθυγραμμίζει μια ηχογράφηση με παρεχόμενο κείμενο και προβλέπει χρόνους έναρξης και λήξης σε επίπεδο λέξης ή χαρακτήρα. Είναι μοντέλο χωριστό από αμφότερες τις εκδόσεις Qwen3-ASR. Η εργαλειοθήκη ASR μπορεί να χρησιμοποιεί αυτόν τον ευθυγραμμιστή όταν ζητούνται χρονικές σημάνσεις στη ροή μεταγραφής εκτός σύνδεσης ή η ευθυγράμμιση μπορεί να εκτελείται σε υπάρχον ζεύγος κειμένου–ήχου. Η τεκμηριωμένη κάλυψη του ευθυγραμμιστή είναι 11 γλώσσες: κινεζικά, αγγλικά, καντονέζικα, γαλλικά, γερμανικά, ιταλικά, ιαπωνικά, κορεατικά, πορτογαλικά, ρωσικά και ισπανικά. Το δηλωμένο εύρος ομιλίας του είναι έως πέντε λεπτά· αυτό είναι το πεδίο του ευθυγραμμιστή και όχι ανώτατο όριο πέντε λεπτών για μεταγραφή ASR.

Για προετοιμασία υποτίτλων, λάβετε και ελέγξτε πρώτα τη μεταγραφή και έπειτα ευθυγραμμίστε τη με την αρχική ηχογράφηση, όπου αυτή η ροή ευθυγράμμισης ενδείκνυται. Χρησιμοποιήστε τους επιστρεφόμενους χρόνους έναρξης και λήξης για να προετοιμάσετε τμήματα υποτίτλων και εξετάστε τα όριά τους ακούγοντας. Η ευθυγράμμιση συνδέει τις παρεχόμενες λέξεις με τον ήχο· δεν θα πρέπει να αντιμετωπίζεται ως απόδειξη ότι μια λανθασμένη μεταγραφή έχει διορθωθεί. Το χρήσιμο παραδοτέο είναι μια ελεγμένη μεταγραφή με πληροφορίες χρονισμού που παραμένει συνδεδεμένη με την ηχογράφηση που περιγράφει.

Μεγάλες ηχογραφήσεις και πρακτικοί περιορισμοί

Η οικογένεια υποστηρίζει μεταγραφή μεγάλου ήχου και τα επίσημα παραδείγματα καθοδηγούν τους χρήστες να επιτρέπουν περισσότερο παραγόμενο κείμενο για μεγαλύτερη είσοδο. Οι ενδεικτικές ρυθμίσεις token τους είναι επιλογές διαμόρφωσης και όχι καθολικό όριο πλαισίου μοντέλου ή διάρκειας ήχου. Σχεδιάστε το περιθώριο εξόδου βάσει της ηχογράφησης και ελέγξτε ότι υπάρχει το τέλος της. Ελέγξτε ονόματα, ποσότητες, αλλαγές γλώσσας, καλυμμένες λέξεις και επικαλυπτόμενη ομιλία έναντι του αρχικού ήχου. Η γλωσσική κάλυψη και η ανθεκτικότητα σε δύσκολο ήχο δεν εγγυώνται άψογη μεταγραφή για κάθε προφορά, ηχογράφηση ή μουσική ενορχήστρωση. Ένα πλήρες αποτέλεσμα διατηρεί την αναγνωρισμένη διατύπωση, τη γλώσσα της και τη σχέση της με τον ήχο, ώστε να μπορεί να αναζητηθεί, να υποστεί επεξεργασία ή να χρησιμοποιηθεί σε μεταγενέστερη ροή περιεχομένου.