Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B es la edición compacta de la familia de reconocimiento del habla Qwen3-ASR de Qwen. Acepta audio y produce una transcripción con una etiqueta de idioma. El fabricante sitúa 0.6B en el equilibrio entre calidad de reconocimiento y eficiencia, mientras que 1.7B es la edición de mayor tamaño con nombre propio. Ambas se basan en la comprensión de audio de Qwen3-Omni y comparten la cobertura de reconocimiento documentada y el enfoque unificado offline/en streaming. La edición compacta puede proporcionar la etapa de transcripción de un flujo para notas de voz, preparación de subtítulos o grabaciones en las que se puedan realizar búsquedas.

Idiomas, dialectos y grabaciones compatibles

Qwen documenta el reconocimiento y la identificación de 30 idiomas y 22 dialectos chinos, con compatibilidad con acentos del inglés de distintas regiones. Su tabla de idiomas enumera 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 reconocidos incluyen habla, voz cantada y canciones con música de fondo. La edición más pequeña conserva esta cobertura de la familia; su tamaño no implica una lista diferente de idiomas compatibles.

Reconocimiento offline y preparación de la entrada

El kit de herramientas oficial puede recibir audio mediante una referencia a un archivo, audio codificado o una forma de onda con su frecuencia de muestreo. Admite el procesamiento offline de varias grabaciones, la detección automática del idioma y la especificación de un idioma compatible. El resultado documentado contiene el idioma y el texto reconocido. Selecciona el idioma hablado cuando lo conozcas o deja que el modelo lo identifique cuando una colección contenga idiomas desconocidos. Mantén el identificador de cada grabación junto a su resultado para poder rastrear una transcripción hasta la fuente correcta.

Para un conjunto de notas de voz, conserva un resultado separado para cada nota y revisa los nombres, números y frases poco claras con la grabación antes de convertir el texto en tareas o en un resumen. Para un tutorial hablado, utiliza la transcripción para localizar pasajes y comprobar la redacción de cada instrucción. En el canto, escucha la línea vocal al revisar la letra, en lugar de aceptar una palabra solo porque tenga sentido en la canción. Son pasos de preparación y revisión del resultado textual; resumir, traducir o interpretar la transcripción puede realizarse después como operaciones independientes.

Texto en streaming y finalización de una grabación

Qwen3-ASR utiliza el mismo modelo para el reconocimiento offline y en streaming. En el ejemplo de streaming del fabricante, los fragmentos de audio entrantes actualizan un estado de reconocimiento que se conserva, y un paso de finalización proporciona el texto completo y el idioma. Esto permite una visualización incremental útil para una transcripción en curso. Trata la visualización provisional como el estado actual del reconocimiento y conserva el resultado final cuando termine la grabación, con la fuente de audio disponible para corregirlo.

La implementación de streaming documentada no admite la inferencia por lotes ni la devolución de marcas de tiempo en ese flujo de streaming. Por tanto, el texto en streaming, una colección de transcripciones offline y la preparación de subtítulos temporizados son flujos distintos del fabricante. Los tamaños de fragmento y los ajustes de tokens de sus ejemplos ilustran una implementación; no son promesas universales de latencia, concurrencia o duración del audio. Elige el flujo según si el resultado útil es texto que llega durante una grabación, texto completo para una colección o texto alineado con una línea de tiempo.

El texto temporizado utiliza Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B es un modelo de alineación independiente, aunque comparte la etiqueta de tamaño 0.6B con esta edición ASR. Recibe un par de texto y audio y predice los tiempos de inicio y fin a nivel de palabra o carácter. El kit de herramientas de ASR offline del fabricante puede invocarlo cuando se solicitan marcas de tiempo. Su conjunto de idiomas documentado es chino, inglés, cantonés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español, y el tramo de alineación indicado es de hasta cinco minutos de habla. Ese conjunto más reducido de idiomas y el tramo de cinco minutos corresponden a la alineación forzada, no a la cobertura general de transcripción del modelo ASR.

Para los subtítulos, prepara una transcripción revisada en el idioma de la grabación, alinéala cuando sea aplicable el flujo compatible e inspecciona los límites de los segmentos mientras reproduces la fuente. Un resultado de subtitulado utilizable mantiene juntas la redacción y la temporización. Si una palabra de la transcripción es incorrecta, corrígela con el audio en lugar de suponer que un intervalo temporal la valida. Esta separación permite distinguir si un problema está en el reconocimiento, en el texto proporcionado o en la colocación del límite de un subtítulo.

Salida para audios largos y comprobaciones del reconocimiento

La familia Qwen3-ASR admite grabaciones largas. Sus ejemplos de inferencia aconsejan permitir más tokens generados para los audios más largos, así que asegúrate de que la transcripción llega al final de la grabación y de que el límite de salida no la ha cortado. Los ejemplos publicados no establecen una ventana de contexto numérica universal ni una duración máxima de grabación ASR. Mantén asociadas las secciones útiles y sus posiciones de origen al organizar una grabación extensa para revisarla. Contrasta con el sonido original las palabras ocultas por otros sonidos, los cambios de idioma, el habla superpuesta, los nombres poco habituales y las sílabas cantadas. El resultado práctico es texto reconocido con una etiqueta de idioma, listo para búsquedas o para un paso de contenido posterior, con la temporización añadida mediante el flujo de alineación independiente cuando sea necesario.