Qwen3 Omni 30B A3B Captioner

Aperçu: descriptions détaillées des sons

Qwen3-Omni-30B-A3B-Captioner est un modèle spécialisé de description audio affiné à partir de Qwen3-Omni-30B-A3B-Instruct. Il transforme un extrait audio en un compte rendu textuel détaillé de ce qui est entendu. Qwen l’a conçu pour des contenus variés, notamment la parole, les sons de l’environnement, la musique, les effets cinématographiques et les mélanges de plusieurs sources sonores. Il est donc utile pour préparer la description d’un élément audio pouvant faire l’objet d’une recherche ou pour examiner les couches sonores d’un court segment média.

Compréhension de la parole et des sons autres que la parole

Le fabricant décrit l’analyse de plusieurs locuteurs, d’expressions multilingues, de l’émotion vocale et des intentions suggérées par la manière de s’exprimer. Ses exemples vont au-delà de la transcription: ils décrivent le son des voix, la langue parlée et la scène acoustique environnante. Pour les sons autres que la parole, le modèle décrit l’ambiance sonore, les sons du monde réel, les couches musicales et les détails dynamiques dans les films ou les médias.

Les descriptions de l’ambiance, de l’intention d’un locuteur ou du contexte culturel sont des interprétations du contenu audible. Traitez-les séparément de la parole et des événements sonores directement vérifiables. Une description peut aider une personne chargée de l’examen à remarquer un changement de ton ou une couche sonore en arrière-plan; elle ne mesure pas les émotions intimes d’une personne et ne prouve pas la source physique d’un son ambigu.

L’édition Captioner et son contrat d’entrée

Ce point de contrôle fonctionne à un seul tour. Il accepte exactement une entrée audio par inférence, aucune instruction textuelle, et produit uniquement du texte. Il contient le composant thinker pour la compréhension audio; la configuration publiée désactive explicitement la sortie audio. N’attribuez pas à Captioner les fonctions de conversation, d’image, de vidéo ou de génération vocale des autres éditions Qwen3-Omni au seul motif que leurs noms appartiennent à la même famille.

L’absence d’instruction textuelle est importante en pratique. Préparez le segment audio que vous voulez faire décrire et soumettez ce segment comme tâche complète. N’ajoutez pas d’instruction demandant un résumé personnalisé, une traduction, une réponse d’un locuteur ou un schéma de sortie. Si un flux de travail nécessite ces transformations, elles doivent faire partie d’une étape distincte qui traite la description retournée, plutôt que d’être considérées comme des commandes de ce point de contrôle de description audio.

Préparation d’un contenu audio utile

Qwen recommande de limiter un extrait à un maximum de 30 secondes pour obtenir une description fine. Il s’agit d’une recommandation de qualité: un contenu audio trop long peut réduire la perception des détails. Elle n’est pas présentée comme un seuil de rejet strict et universel. Pour un enregistrement plus long, sélectionnez un court segment significatif autour de l’événement ou de la scène examinés. Conservez son identifiant de source et son heure de début en dehors de la requête au modèle afin de pouvoir relier ultérieurement la description retournée à l’enregistrement d’origine.

Préservez les couches sonores pertinentes pour la question. Un extrait centré sur une voix devrait tout de même inclure l’arrière-plan lorsque celui-ci influe sur la description visée; un élément musical ou d’effets sonores devrait conserver sa transition importante plutôt que d’être coupé à un endroit arbitraire. Le traitement séparé des extraits aide à préserver les détails locaux, mais n’établit pas de continuité automatique ni de compréhension de l’ensemble de l’enregistrement entre les requêtes.

Utilité du résultat textuel

Le guide pratique du fabricant présente des descriptions qui rendent compte du contenu de la parole et de la manière de s’exprimer, puis de la scène environnante; d’autres exemples décrivent la musique, les effets, les variations d’intensité et la séquence des événements vocaux. Un catalogue audio peut stocker le texte retourné avec le nom de l’élément et sa plage temporelle. Une personne chargée de l’examen des médias peut l’utiliser comme ébauche de relevé sonore. Une personne chargée du montage peut comparer la description à l’extrait pour déterminer si elle rend compte des couches visées. Ce sont des exemples d’application, et non la preuve que le modèle a écouté à l’avance un élément particulier de l’utilisateur.

La sortie est une description, et non une promesse de transcription mot à mot, de tableau de diarisation, de fichier de sous-titres horodatés ou de bande sonore générée. Lorsque les mots prononcés ou les repères temporels doivent être exacts, vérifiez la description par rapport à l’audio et utilisez un flux de travail spécialisé adapté au livrable requis. Une description richement rédigée peut inclure des informations déduites sur la scène ou le genre; préservez donc l’incertitude lorsque le son lui-même ne permet pas d’identifier la source sans ambiguïté.

Exemples de génération et limites

L’exemple autonome du fabricant définit un contexte de modèle de 32,768 jetons et un budget de génération de 16,384 jetons, avec une température de 0.6, top_p à 0.95 et top_k à 20. Son guide pratique utilise un budget de génération de 8,192 jetons avec les mêmes valeurs d’échantillonnage. Ce sont des exemples de configuration, et non des longueurs maximales de description déclarées séparément. La configuration textuelle sous-jacente indique 65,536 positions, ce qui ne doit pas être converti en garantie de durée pour l’audio.

Le code utilitaire générique ou les champs de configuration partagés avec la famille Omni ne remplacent pas le contrat explicite de Captioner: une entrée audio, aucune entrée textuelle et une sortie textuelle seulement. Le résultat utile est une description détaillée d’une courte scène audible; vérifiez les citations de paroles, le nombre de locuteurs et les sources sonores déduites avant de l’utiliser comme document faisant autorité.