Qwen3 Omni 30B A3B Captioner

Descripción general: descripciones detalladas del sonido

Qwen3-Omni-30B-A3B-Captioner es un modelo especializado en descripción de audio ajustado a partir de Qwen3-Omni-30B-A3B-Instruct. Convierte un clip de audio en un relato textual detallado de lo que se escucha. Qwen lo diseñó para material variado, incluidos habla, sonidos ambientales, música, efectos cinematográficos y mezclas de varias fuentes sonoras. Esto lo hace útil para preparar una descripción buscable de un recurso de audio o revisar las capas sonoras en un segmento breve de medios.

Comprensión del habla y de sonidos no hablados

El fabricante describe análisis de múltiples hablantes, expresiones multilingües, emoción vocal e intenciones sugeridas por la forma de hablar. Sus ejemplos van más allá de una transcripción: describen cómo suenan las voces, el idioma del habla y la escena acústica que las rodea. Para audio sin habla, el modelo describe la atmósfera ambiental, sonidos del mundo real, capas musicales y detalles dinámicos en películas o medios.

Las descripciones de ánimo, intención del hablante o contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente verificables. Una descripción puede ayudar a quien revisa a notar un cambio de tono o una capa de fondo; no es una medida de las emociones privadas de una persona ni una prueba de la fuente física de un sonido ambiguo.

La edición Captioner y su contrato de entrada

Este checkpoint es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt de texto, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva explícitamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, video o generación de voz de otras ediciones Qwen3-Omni porque sus nombres compartan la misma familia.

La ausencia de un prompt de texto importa en la práctica. Prepara el segmento de audio que deseas describir y envía ese segmento como la tarea completa. No añadas una instrucción que pida un resumen personalizado, una traducción, una respuesta del hablante o un esquema de salida. Si un flujo necesita esas transformaciones, corresponden a una etapa separada que trabaje sobre la descripción devuelta, en lugar de ser controles supuestos de este checkpoint de descripción.

Preparación de audio útil

Qwen recomienda limitar un clip a no más de 30 segundos para una descripción minuciosa. Esta es una recomendación de calidad: un audio excesivamente largo puede reducir la percepción de detalle. No se presenta como un umbral estricto universal de rechazo. Para una grabación más larga, selecciona un segmento breve significativo alrededor del evento o la escena que se está revisando. Conserva su identificador de fuente y tiempo de inicio fuera de la solicitud al modelo para que la descripción devuelta pueda rastrearse después hasta la grabación original.

Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en la voz debe seguir incluyendo el fondo cuando este afecte la descripción prevista; un recurso de música o efectos sonoros debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a mantener el detalle local, pero no establece continuidad automática ni comprensión de toda la grabación entre solicitudes.

Para qué sirve el resultado textual

El recetario del fabricante muestra descripciones del contenido del habla y la forma de hablar, seguidas de la escena que las rodea; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede guardar ese texto devuelto junto con el nombre del recurso y el rango de tiempo. Una persona que revisa medios puede usarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si captura las capas previstas. Estos son ejemplos de aplicación, no evidencia de que el modelo haya escuchado con anticipación algún recurso particular del usuario.

La salida es una descripción, no una transcripción palabra por palabra prometida, una tabla de diarización, un archivo de subtítulos con marcas de tiempo o una pista sonora generada. Cuando se requieran palabras habladas o tiempos exactos, verifica la descripción contra el audio y usa un flujo dedicado apropiado para el artefacto requerido. Una descripción rica en detalles puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido en sí no identifique la fuente de manera inequívoca.

Ejemplos de generación y límites

El ejemplo independiente del fabricante establece un contexto de modelo de 32,768 tokens y una asignación de generación de 16,384 tokens, usando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario usa una asignación de generación de 8,192 tokens con los mismos valores de muestreo. Estas son configuraciones de ejemplo, no longitudes máximas de descripción declaradas por separado. La configuración textual subyacente lista 65,536 posiciones, que no deben convertirse en una garantía de duración para audio.

El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan el contrato explícito de Captioner de un audio, sin texto y salida solo de texto. El resultado útil es una descripción detallada de una escena audible breve; verifica las citas textuales del audio, las cantidades de hablantes y las fuentes sonoras inferidas antes de usarla como registro confiable.