Qwen3 Omni 30B A3B Captioner

Visión general: descripciones detalladas del sonido

Qwen3-Omni-30B-A3B-Captioner es un modelo especializado de 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 oye. 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 con capacidad de búsqueda de un recurso de audio o revisar las capas sonoras de un segmento multimedia breve.

Comprensión del habla y de otros sonidos

El desarrollador describe análisis de varios 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 circundante. Para audio sin habla, el modelo describe el ambiente, sonidos del mundo real, capas musicales y detalles dinámicos de películas o medios.

Las descripciones del estado de ánimo, la intención del hablante o el contexto cultural son interpretaciones del material audible. Trátalas por separado del habla y los eventos sonoros directamente comprobables. Una descripción puede ayudar a quien revisa a percibir 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 sus condiciones de entrada

Este punto de control es de un solo turno. Acepta exactamente una entrada de audio por inferencia, sin prompt textual, y devuelve solo texto. Contiene el componente thinker para comprensión de audio; la configuración publicada desactiva expresamente la salida de audio. No transfieras a Captioner las funciones conversacionales, de imagen, vídeo o generación de voz de otras ediciones Qwen3-Omni por compartir el nombre de familia.

La ausencia de prompt textual importa en la práctica. Prepara el segmento de audio que quieras 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 independiente que trabaje sobre la descripción devuelta, en lugar de ser controles asumidos de este punto de control de descripción.

Preparación de audio útil

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

Conserva las capas sonoras pertinentes para la pregunta. Un fragmento centrado en voz debe seguir incluyendo el fondo cuando ese fondo afecte a la descripción prevista; un recurso de música o efectos de sonido debe conservar su transición importante, en lugar de cortarse en un límite arbitrario. Procesar los clips por separado ayuda a conservar 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 desarrollador muestra descripciones que detallan el contenido y la forma de hablar, y después la escena circundante; otros ejemplos describen música, efectos, cambios de intensidad y la secuencia de eventos vocales. Un catálogo de audio puede almacenar ese texto devuelto junto con el nombre del recurso y el intervalo temporal. Quien revise material multimedia puede utilizarlo como borrador de registro sonoro. Un editor puede comparar la descripción con el clip para identificar si recoge las capas previstas. Son ejemplos de aplicación, no pruebas de que el modelo haya escuchado de antemano ningún recurso concreto 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 banda sonora generada. Cuando se requieran palabras habladas o tiempos exactos, comprueba la descripción frente al audio y utiliza un flujo dedicado adecuado para el artefacto necesario. Una descripción muy elaborada puede incluir información inferida sobre la escena o el género, así que conserva la incertidumbre cuando el sonido por sí mismo no identifique la fuente inequívocamente.

Ejemplos de generación y límites

El ejemplo independiente del desarrollador establece un contexto de modelo de 32,768 tokens y una capacidad de generación de 16,384 tokens, utilizando temperatura 0.6, top_p 0.95 y top_k 20. Su recetario utiliza una capacidad de generación de 8,192 tokens con los mismos valores de muestreo. Son configuraciones de ejemplo, no extensiones máximas de descripción declaradas por separado. La configuración textual subyacente indica 65,536 posiciones, lo que no debe convertirse en una garantía de duración de audio.

El código genérico de utilidades o los campos de configuración compartidos con la familia Omni no anulan las condiciones explícitas de Captioner: un audio, sin texto y salida solo textual. El resultado útil es una descripción detallada de una escena audible breve; comprueba las citas del habla, los recuentos de hablantes y las fuentes sonoras inferidas antes de utilizarlo como registro fiable de referencia.