Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B est le plus grand modèle de reconnaissance vocale de Qwen dans la famille Qwen3-ASR. Il reçoit de l’audio et renvoie le texte reconnu avec un libellé de langue. La famille repose sur les fondations de compréhension audio de Qwen3-Omni et utilise un même modèle ASR pour la reconnaissance hors streaming et en streaming. L’édition 1.7B privilégie la qualité de reconnaissance, tandis que l’édition distincte 0.6B met l’accent sur l’efficacité. Ces éditions restent des choix distincts même si elles partagent la couverture linguistique et les procédures documentées.

Identification de la langue et couverture audio

Le fabricant répertorie 30 langues et 22 dialectes chinois, ainsi que des accents anglais de plusieurs régions. La liste comprend le chinois, l’anglais, le cantonais, l’arabe, l’allemand, le français, l’espagnol, le portugais, l’indonésien, l’italien, le coréen, le russe, le thaï, le vietnamien, le japonais, le turc, l’hindi, le malais, le néerlandais, le suédois, le danois, le finnois, le polonais, le tchèque, le filipino, le persan, le grec, le hongrois, le macédonien et le roumain. Les types audio pris en charge comprennent la parole, la voix chantée et les chansons avec musique de fond. Ces capacités rendent la transcription utile pour les entretiens, cours, enregistrements vocaux et vérifications de paroles, en conservant l’audio original pour examiner les passages difficiles.

Préparer l’audio et obtenir une transcription

La boîte à outils du fabricant accepte une référence de fichier audio, de l’audio encodé ou une forme d’onde avec sa fréquence d’échantillonnage, et sa procédure hors streaming peut traiter un ensemble d’enregistrements. Elle peut détecter automatiquement la langue ou utiliser une langue prise en charge et spécifiée. Choisissez la détection automatique pour un enregistrement inconnu; fournissez la langue réellement parlée lorsqu’elle est connue et pertinente. Le résultat illustratif expose la langue détectée ou sélectionnée et le texte reconnu. Le réglage de langue guide la reconnaissance de l’enregistrement plutôt que de demander la réécriture de son contenu dans une autre langue.

Pour un entretien, gardez l’enregistrement associé à sa date, son sujet et son identifiant source, puis utilisez le texte renvoyé comme transcription interrogeable. Pour un cours, préservez les termes techniques et expressions numériques pendant la revue plutôt que de remplacer silencieusement des mots peu clairs par une explication plausible. Pour une chanson, vérifiez les paroles reconnues en écoutant la ligne vocale, surtout lorsque la musique masque une syllabe. La transcription peut servir d’entrée à une étape distincte de synthèse, traduction ou édition une fois son texte vérifié sur l’audio.

Reconnaissance en streaming et son périmètre

La même famille ASR prend en charge la reconnaissance au fil de l’arrivée de l’audio. L’exemple du fabricant envoie des blocs audio successifs dans un état de reconnaissance conservé, affiche le texte provisoire, puis termine le flux pour obtenir la langue et la transcription finales. Distinguez le texte incrémental actuel du résultat terminé lorsque vous préparez des sous-titres en direct ou une transcription continue. L’implémentation documentée ne combine pas streaming et inférence par lots et ne renvoie pas d’horodatages; une transcription avec repères temporels utilise une procédure différente. Ce sont des détails d’implémentation du fabricant plutôt qu’une promesse concernant le transport ou l’interface de sous-titrage en direct d’une application.

Temps des mots ou caractères avec un aligneur distinct

Qwen3-ForcedAligner-0.6B aligne un enregistrement audio avec un texte fourni et prédit des temps de début et de fin par mot ou caractère. C’est un modèle distinct des deux éditions Qwen3-ASR. La boîte à outils ASR peut l’utiliser lorsque des horodatages sont demandés dans sa transcription hors streaming, ou l’alignement peut être exécuté sur une paire texte-audio existante. La couverture documentée de l’aligneur est de 11 langues : chinois, anglais, cantonais, français, allemand, italien, japonais, coréen, portugais, russe et espagnol. Sa durée de parole annoncée va jusqu’à cinq minutes; c’est le périmètre de l’aligneur, pas un plafond de cinq minutes pour la transcription ASR.

Pour préparer des sous-titres, obtenez et vérifiez d’abord la transcription, puis alignez-la sur l’enregistrement source lorsque cette procédure convient. Utilisez les temps de début et de fin renvoyés pour préparer les segments de sous-titres et examinez leurs frontières en écoutant. L’alignement associe des mots fournis à l’audio; il ne devrait pas être traité comme preuve qu’une transcription incorrecte a été corrigée. Le livrable utile est une transcription vérifiée avec des repères temporels qui reste reliée à l’enregistrement qu’elle décrit.

Longs enregistrements et limites pratiques

La famille prend en charge la transcription de longs audios, et les exemples officiels invitent à autoriser davantage de texte généré pour les entrées longues. Leurs réglages illustratifs de jetons sont des choix de configuration plutôt qu’une limite universelle de contexte du modèle ou de durée audio. Planifiez l’espace de sortie selon l’enregistrement et vérifiez que la fin est présente. Revoyez les noms, quantités, changements de langue, mots masqués et voix qui se chevauchent en vous reportant au son original. La couverture linguistique et la robustesse sur des audios difficiles ne garantissent pas une transcription sans défaut pour chaque accent, enregistrement ou arrangement musical. Un résultat complet conserve le texte reconnu, sa langue et son lien à l’audio pour permettre recherche, édition ou utilisation dans un processus ultérieur de contenu.