Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B es el modelo de reconocimiento de voz mayor de Qwen en la familia Qwen3-ASR. Recibe audio y devuelve texto reconocido junto con una etiqueta de idioma. La familia se basa en la comprensión de audio de Qwen3-Omni y utiliza un mismo modelo ASR para reconocimiento offline y en streaming. La edición 1.7B pone el énfasis en la calidad de reconocimiento, mientras que la edición 0.6B identificada por separado enfatiza la eficiencia. Siguen siendo opciones distintas aunque compartan la cobertura lingüística y los flujos de reconocimiento documentados.

Identificación del idioma y cobertura de audio

El fabricante enumera 30 idiomas y 22 dialectos chinos, además de acentos de inglés de varias regiones. La lista incluye chino, inglés, cantonés, árabe, alemán, francés, español, portugués, indonesio, italiano, coreano, ruso, tailandés, vietnamita, japonés, turco, hindi, malayo, neerlandés, sueco, danés, finés, polaco, checo, filipino, persa, griego, húngaro, macedonio y rumano. Los tipos de audio compatibles incluyen habla, voz cantada y canciones con música de fondo. Estas capacidades hacen útil la transcripción para entrevistas, conferencias, grabaciones de voz y revisión de letras, conservando el audio original para comprobar pasajes difíciles.

Preparación del audio y obtención de una transcripción

Las herramientas del productor aceptan una referencia a archivo de audio, audio codificado o una forma de onda acompañada de su frecuencia de muestreo, y el flujo offline puede procesar una colección de grabaciones. Puede detectar el idioma automáticamente o utilizar un idioma compatible especificado. Elige detección automática para una grabación desconocida; proporciona el idioma realmente hablado cuando se conozca y sea pertinente para la tarea. El resultado de ejemplo expone el idioma detectado o seleccionado y el texto reconocido. El ajuste de idioma orienta el reconocimiento de la grabación, no define una petición de reescribir su contenido en otro idioma.

Para una entrevista, conserva la grabación asociada a su fecha, tema e identificador de origen y utiliza después el texto devuelto como transcripción que puede buscarse. Para una conferencia, conserva términos técnicos y expresiones numéricas durante la revisión, en lugar de sustituir silenciosamente palabras poco claras por una explicación plausible. Para una canción, comprueba la letra reconocida mientras escuchas la línea vocal, especialmente donde la música oculta una sílaba. La transcripción puede convertirse en entrada de un paso independiente de resumen, traducción o edición una vez comprobadas las palabras con el audio.

Reconocimiento en streaming y su alcance

La misma familia ASR admite reconocimiento mientras llega el audio. El ejemplo de streaming del fabricante introduce fragmentos sucesivos de audio en un estado de reconocimiento conservado, muestra texto provisional y finaliza después el flujo para obtener el idioma y la transcripción finales. Distingue el texto incremental actual del resultado completo al preparar subtítulos en directo o una transcripción continua. La implementación de streaming documentada no combina streaming e inferencia por lotes ni devuelve marcas temporales; una transcripción temporizada utiliza otro flujo. Son detalles de implementación del productor, no una promesa sobre el transporte o la interfaz de subtítulos en directo de una aplicación.

Temporización de palabras o caracteres con un alineador independiente

Qwen3-ForcedAligner-0.6B alinea una grabación de audio con texto proporcionado y predice tiempos de inicio y fin por palabra o carácter. Es un modelo independiente de ambas ediciones Qwen3-ASR. Las herramientas ASR pueden utilizar ese alineador cuando se solicitan marcas temporales en su flujo de transcripción offline, o puede ejecutarse alineación sobre una pareja de texto y audio existente. La cobertura documentada del alineador es de 11 idiomas: chino, inglés, cantonés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español. Su duración de habla indicada es de hasta cinco minutos; es el alcance del alineador, no un límite de cinco minutos para transcripción ASR.

Para preparar subtítulos, obtén y revisa primero la transcripción y alinéala después con la grabación de origen cuando corresponda utilizar ese flujo. Usa los tiempos de inicio y fin devueltos para preparar segmentos de subtítulos y examina sus límites mientras escuchas. La alineación asocia palabras proporcionadas con audio; no debería tratarse como prueba de que se haya corregido una transcripción errónea. El resultado útil es una transcripción comprobada con temporización que sigue vinculada a la grabación que describe.

Grabaciones largas y límites prácticos

La familia admite transcripción de audio largo y los ejemplos oficiales indican que se permita más texto generado para entradas más largas. Sus ajustes ilustrativos de tokens son decisiones de configuración, no un límite universal de contexto del modelo ni de duración del audio. Planifica el espacio de salida según la grabación y comprueba que esté presente el final. Revisa nombres, cantidades, cambios de idioma, palabras ocultas y habla superpuesta con el sonido original. La cobertura lingüística y la robustez ante audio difícil no garantizan una transcripción impecable para cada acento, grabación o arreglo musical. Un resultado completo conserva las palabras reconocidas, su idioma y su relación con el audio para que pueda buscarse, editarse o utilizarse en un flujo posterior de contenido.