Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B est l’édition compacte de la famille de reconnaissance vocale Qwen3-ASR de Qwen. Elle reçoit de l’audio et produit une transcription accompagnée d’une indication de langue. Le fabricant positionne 0.6B sur l’équilibre entre qualité de reconnaissance et efficacité, tandis que 1.7B est l’édition plus grande portant un nom distinct. Toutes deux s’appuient sur la compréhension audio de Qwen3-Omni et partagent la couverture de reconnaissance documentée ainsi que l’approche unifiée hors ligne et en streaming. L’édition compacte peut assurer l’étape de transcription dans un processus de traitement de notes vocales, de préparation de sous-titres ou de création d’enregistrements interrogeables.

Langues, dialectes et enregistrements pris en charge

Qwen documente la reconnaissance et l’identification de 30 langues et 22 dialectes chinois, avec la prise en charge d’accents anglais de différentes régions. Son tableau des langues répertorie 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 d’audio reconnus comprennent la parole, la voix chantée et les chansons avec musique de fond. L’édition plus petite conserve cette couverture familiale ; sa taille n’implique pas une autre liste de langues prises en charge.

Reconnaissance hors ligne et préparation des entrées

La boîte à outils officielle peut recevoir de l’audio sous forme de référence de fichier, d’audio encodé ou de forme d’onde accompagnée de sa fréquence d’échantillonnage. Elle prend en charge le traitement hors ligne de plusieurs enregistrements, la détection automatique de la langue et l’indication d’une langue prise en charge. Le résultat documenté contient la langue et le texte reconnu. Sélectionnez la langue parlée lorsque vous la connaissez, ou laissez le modèle l’identifier lorsqu’un ensemble d’enregistrements contient des langues inconnues. Conservez l’identifiant de chaque enregistrement à côté de son résultat pour pouvoir relier une transcription à la bonne source.

Pour un ensemble de notes vocales, conservez un résultat distinct par note et vérifiez les noms, les nombres et les phrases peu claires à l’écoute de l’enregistrement avant de transformer le texte en tâches ou en résumé. Pour un tutoriel oral, utilisez la transcription pour retrouver les passages et vérifier la formulation de chaque instruction. Pour le chant, écoutez la ligne vocale en vérifiant les paroles, plutôt que d’accepter un mot uniquement parce qu’il paraît cohérent dans la chanson. Ce sont des étapes de préparation et de vérification du texte produit ; la synthèse, la traduction ou l’interprétation de la transcription peuvent ensuite constituer des opérations séparées.

Texte en streaming et finalisation d’un enregistrement

Qwen3-ASR utilise le même modèle pour la reconnaissance hors ligne et en streaming. Dans l’exemple de streaming du fabricant, les blocs audio entrants actualisent un état de reconnaissance conservé, puis une étape de finalisation fournit le texte complet et la langue. Cela permet un affichage progressif utile pour une transcription en cours. Traitez l’affichage provisoire comme l’état actuel de la reconnaissance et conservez le résultat final après la fin de l’enregistrement, en gardant la source audio disponible pour les corrections.

L’implémentation de streaming documentée ne prend en charge ni l’inférence par lots ni le renvoi d’horodatages dans ce processus en streaming. Le texte en streaming, un ensemble de transcriptions hors ligne et la préparation de sous-titres horodatés sont donc des processus distincts du fabricant. Les tailles de blocs et les paramètres de jetons de son exemple illustrent une implémentation ; ils ne constituent pas des promesses universelles de latence, de concurrence ou de durée audio. Choisissez le processus selon le résultat utile : du texte pendant l’enregistrement, un texte complet pour un ensemble d’enregistrements ou un texte aligné sur une chronologie.

Le texte horodaté utilise Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B est un modèle d’alignement distinct, malgré l’indication de taille 0.6B qu’il partage avec cette édition ASR. Il reçoit une paire texte–audio et prédit les instants de début et de fin au niveau des mots ou des caractères. La boîte à outils ASR hors ligne du fabricant peut l’appeler lorsque des horodatages sont demandés. Les langues documentées sont le chinois, l’anglais, le cantonais, le français, l’allemand, l’italien, le japonais, le coréen, le portugais, le russe et l’espagnol, et la durée d’alignement annoncée va jusqu’à cinq minutes de parole. Cet ensemble plus restreint de langues et cette durée de cinq minutes concernent l’alignement forcé, et non la couverture générale de transcription du modèle ASR.

Pour des sous-titres, préparez une transcription vérifiée dans la langue de l’enregistrement, alignez-la lorsque le processus pris en charge le permet, puis examinez les limites des segments en lisant la source. Un fichier de sous-titres exploitable conserve ensemble le texte et les repères temporels. Si un mot de la transcription est erroné, corrigez-le à l’écoute de l’audio plutôt que de supposer qu’une plage temporelle le valide. Cette séparation permet de déterminer clairement si un problème vient de la reconnaissance, du texte fourni ou du placement d’une limite de sous-titre.

Sortie pour l’audio long et vérification de la reconnaissance

La famille Qwen3-ASR prend en charge les enregistrements longs. Ses exemples d’inférence conseillent d’autoriser davantage de jetons générés pour un audio plus long : vérifiez donc que la transcription atteint la fin de l’enregistrement et qu’une limite de sortie ne l’a pas tronquée. Les exemples publiés n’établissent pas de fenêtre de contexte numérique universelle ni de durée maximale d’enregistrement ASR. Lors de l’organisation d’un enregistrement long à des fins de vérification, conservez le lien entre les sections utiles et leur position dans la source. Vérifiez les mots masqués, les changements de langue, les chevauchements de parole, les noms inhabituels et les syllabes chantées à l’écoute du son original. Le résultat pratique est un texte reconnu accompagné d’une indication de langue, prêt pour la recherche ou une étape de traitement du contenu ultérieure, auquel des repères temporels peuvent être ajoutés si nécessaire par le processus d’alignement distinct.