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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Αναγνώριση γλώσσας και κάλυψη ήχου\n\nΟ 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.\n\n### Προετοιμασία ήχου και λήψη μεταγραφής\n\nΗ 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.\n\nΓια 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.\n\n### Αναγνώριση σε ροή και το πεδίο της\n\nΗ 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.\n\n### Χρονισμός λέξεων ή χαρακτήρων με χωριστό ευθυγραμμιστή\n\nΤο 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.\n\nΓια 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.\n\n### Μεγάλες ηχογραφήσεις και πρακτικοί περιορισμοί\n\nΗ 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "451319eccf5c5fb29d59ff6ec0cdb847a8d4b275ad0dc90a612510d8d998c3c8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "qwen/qwen3-asr-1.7bΤο Qwen3-ASR-1.7B μετατρέπει ομιλία και τραγούδι σε κείμενο και αναγνωρίζει τη γλώσσα. Η Qwen τεκμηριώνει 30 γλώσσες, 22 κινεζικές διαλέκτους και αναγνώριση εκτός σύνδεσης ή σε ροή· ο χρονισμός σε επίπεδο λέξης χρησιμοποιεί χωριστή ροή εργασίας Qwen3-ForcedAligner.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
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.
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.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια qwen/qwen3-asr-1.7b | Προεπιλογή— |
Πεδίοinput_audio | Τύποςobject | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοlanguage | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtemperature | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 0 Μέγιστο: 1 | Προεπιλογή— |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια json, verbose_json | Προεπιλογήjson |
Πεδίοtimestamp_granularities | Τύποςarray | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input_audio |
Παράμετροςmaterial_types | Σύμβασηaudio |
Παράμετροςmaterial_conditions | ΣύμβασηΔιαβάστε πραγματικό αρχείο WAV και κωδικοποιήστε τα πραγματικά byte του για τη δηλωμένη είσοδο JSON input_audio· δεν παρουσιάζεται διαδρομή multipart για αυτή την ακριβή δήλωση αποκλειστικής χρήσης JSON. |
Κύκλος ζωής: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Οι εμφανιζόμενες τιμές χρησιμοποιούνται για την εκτίμηση του κόστους πριν από την παραγωγή. Η τελική χρέωση υπολογίζεται από το κόστος που καταγράφηκε για την αρχική παραγωγή. Η μετρημένη διάρκεια της εξόδου και οι προβλεπόμενες ποσότητες δεν αποτελούν την τελική χρεώσιμη ποσότητα.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.
| Διαμόρφωση | Πίνακας χρεώσεων | Προβλεπόμενη ποσότητα | Μονάδα τιμολόγησης | Χρέωση |
|---|---|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις token | Πίνακας χρεώσεωνΒασική χρέωση | Προβλεπόμενη ποσότητα— | Μονάδα τιμολόγησης— | Χρέωση Είσοδος · Token εισόδου · Εκτίμηση μόνο για σύγκριση — / 1K token Έξοδος · Token εξόδου · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη · Εκτίμηση μόνο για σύγκριση — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα · Εκτίμηση μόνο για σύγκριση — / 1K token |
| Διαμόρφωσηδευτερόλεπτο ήχου εισόδου | Πίνακας χρεώσεων— | Προβλεπόμενη ποσότητα— | Μονάδα τιμολόγησηςανά δευτερόλεπτο ήχου εισόδου | Χρέωση Είσοδος · δευτερόλεπτο ήχου εισόδου · Εκτίμηση μόνο για σύγκριση $0.000015 ανά δευτερόλεπτο ήχου εισόδου |
| ΔιαμόρφωσηΕκτιμώμενο κόστος δημιουργίας | Πίνακας χρεώσεων— | Προβλεπόμενη ποσότηταεκτίμηση για μία δημιουργία | Μονάδα τιμολόγησης— | Χρέωση Έξοδος · Εκτιμώμενο κόστος δημιουργίας · Εκτίμηση μόνο για σύγκριση $0.000015 εκτίμηση πριν από τη δημιουργία Αυτή η εκτίμηση δεν αποτελεί πρόσθετη χρέωση ούτε σταθερή τιμή για την ολοκληρωμένη παραγωγή. |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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.\nΔιατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε ολόκληρη την απόκριση και τις κεφαλίδες, κάθε πραγματικό αποτέλεσμα εξόδου, τα αρχικά αναγνωριστικά που επιστράφηκαν και όλα τα πεδία χρήσης. Ανακτήστε την αρχική λειτουργία χωρίς να υποβάλετε ξανά αίτημα δημιουργίας.
Διατηρήστε το X-Client-Request-ID που επιστράφηκε για τη συμφωνία των εγγραφών. Διαβάστε μόνο πραγματικές τιμές task_id/asset_id που επιστράφηκαν ή τη βιβλιοθήκη πολυμέσων που σας ανήκει· μην κατασκευάσετε ποτέ URL εργασίας από το ID της λειτουργίας και μην υποβάλετε ποτέ ξανά αίτημα δημιουργίας.
| Πεδίο | Τύπος |
|---|---|
Πεδίοtext | Τύπος |
Πεδίοusage | Τύπος |
Πεδίοsegments[] | Τύπος |
Πεδίοwords[] | Τύπος |
Πεδίοspeaker fields | Τύπος |
Πεδίοtimestamps | Τύπος |
Ailoot Ultra qwen/qwen3-asr-1.7b
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.