Qwen3-ASR-1.7B est le plus grand modèle de reconnaissance vocale de la famille Qwen3-ASR. Il reçoit l’audio et renvoie texte reconnu et langue. La famille s’appuie sur l’audiocompréhension Qwen3-Omni et utilise un ASR pour reconnaissance hors ligne et streaming. L’édition 1.7B privilégie la qualité, la 0.6B distincte l’efficacité. Ce sont des choix différents malgré couverture et processus partagés.
Le fabricant liste 30 langues, 22 dialectes chinois et des accents anglais régionaux. Les langues sont chinois, anglais, cantonais, arabe, allemand, français, espagnol, portugais, indonésien, italien, coréen, russe, thaï, vietnamien, japonais, turc, hindi, malais, néerlandais, suédois, danois, finnois, polonais, tchèque, filipino, persan, grec, hongrois, macédonien et roumain. L’audio comprend parole, voix chantée et chansons avec fond musical. Les transcriptions servent interviews, conférences, notes vocales et paroles, avec audio original pour les passages difficiles.
La boîte à outils accepte une référence de fichier audio, de l’audio encodé ou une forme d’onde avec sa fréquence d’échantillonnage ; le processus hors ligne traite une collection. Il détecte la langue ou utilise une langue prise en charge indiquée. Choisissez la détection pour une source inconnue ; donnez la langue parlée réelle lorsqu’elle est connue et pertinente. L’exemple expose langue détectée ou choisie et texte. Le réglage guide la reconnaissance, pas une réécriture dans une autre langue.
Pour une interview, associez l’enregistrement à sa date, à son sujet et à son identifiant source, puis utilisez le texte comme transcription dans laquelle il est possible d’effectuer des recherches. Pour une conférence, préservez termes et expressions numériques en revue au lieu de remplacer les mots incertains par une explication plausible. Pour une chanson, vérifiez les paroles en écoutant la voix, surtout quand la musique masque une syllabe. Le texte vérifié peut alimenter un résumé, une traduction ou une révision distincte.
La famille reconnaît l’audio à son arrivée. L’exemple alimente l’état conservé par morceaux successifs, affiche du texte provisoire puis termine le flux pour langue et transcription finales. Distinguez texte incrémental courant et résultat achevé pour sous-titres en direct ou transcription continue. L’implémentation documentée ne combine pas le streaming avec l’inférence par lots et ne renvoie pas d’horodatages ; une transcription horodatée utilise un autre processus. Ce sont des détails fabricant, pas une promesse de transport applicatif ou de sous-titrage en direct.
Qwen3-ForcedAligner-0.6B aligne audio et texte fourni et prédit débuts et fins de mots ou caractères. C’est un autre modèle que les deux ASR. Le toolkit peut l’utiliser pour des horodatages hors ligne ou aligner un couple texte–audio existant. Il couvre 11 langues : chinois, anglais, cantonais, français, allemand, italien, japonais, coréen, portugais, russe et espagnol. Sa durée de parole indiquée va jusqu’à cinq minutes ; c’est son périmètre, pas un plafond ASR.
Pour sous-titrer, obtenez et vérifiez d’abord le texte, puis alignez-le à la source lorsque pertinent. Utilisez les temps pour segmenter et vérifiez les frontières en écoutant. L’alignement lie les mots fournis à l’audio, sans prouver qu’une transcription erronée est corrigée. Le livrable utile est un texte vérifié avec temps et lien à son enregistrement.
La famille transcrit les longs audios et les exemples conseillent davantage de texte généré pour les entrées longues. Ces réglages sont des choix, pas des plafonds universels de contexte ou de durée. Planifiez la sortie selon l’enregistrement et vérifiez la fin. Contrôlez noms, quantités, changements de langue, mots masqués et chevauchements contre le son. Couverture et robustesse ne garantissent pas une transcription parfaite de chaque accent, enregistrement ou arrangement. Un résultat complet conserve mots reconnus, langue et lien audio pour recherche, édition et processus ultérieur.
", "aboutText": "Qwen3-ASR-1.7B est le plus grand modèle de reconnaissance vocale de la famille Qwen3-ASR. Il reçoit l’audio et renvoie texte reconnu et langue. La famille s’appuie sur l’audiocompréhension Qwen3-Omni et utilise un ASR pour reconnaissance hors ligne et streaming. L’édition 1.7B privilégie la qualité, la 0.6B distincte l’efficacité. Ce sont des choix différents malgré couverture et processus partagés.\n\n### Identification de langue et couverture audio\n\nLe fabricant liste 30 langues, 22 dialectes chinois et des accents anglais régionaux. Les langues sont chinois, anglais, cantonais, arabe, allemand, français, espagnol, portugais, indonésien, italien, coréen, russe, thaï, vietnamien, japonais, turc, hindi, malais, néerlandais, suédois, danois, finnois, polonais, tchèque, filipino, persan, grec, hongrois, macédonien et roumain. L’audio comprend parole, voix chantée et chansons avec fond musical. Les transcriptions servent interviews, conférences, notes vocales et paroles, avec audio original pour les passages difficiles.\n\n### Préparer l’audio et obtenir le texte\n\nLa boîte à outils accepte une référence de fichier audio, de l’audio encodé ou une forme d’onde avec sa fréquence d’échantillonnage ; le processus hors ligne traite une collection. Il détecte la langue ou utilise une langue prise en charge indiquée. Choisissez la détection pour une source inconnue ; donnez la langue parlée réelle lorsqu’elle est connue et pertinente. L’exemple expose langue détectée ou choisie et texte. Le réglage guide la reconnaissance, pas une réécriture dans une autre langue.\n\nPour une interview, associez l’enregistrement à sa date, à son sujet et à son identifiant source, puis utilisez le texte comme transcription dans laquelle il est possible d’effectuer des recherches. Pour une conférence, préservez termes et expressions numériques en revue au lieu de remplacer les mots incertains par une explication plausible. Pour une chanson, vérifiez les paroles en écoutant la voix, surtout quand la musique masque une syllabe. Le texte vérifié peut alimenter un résumé, une traduction ou une révision distincte.\n\n### Streaming et périmètre\n\nLa famille reconnaît l’audio à son arrivée. L’exemple alimente l’état conservé par morceaux successifs, affiche du texte provisoire puis termine le flux pour langue et transcription finales. Distinguez texte incrémental courant et résultat achevé pour sous-titres en direct ou transcription continue. L’implémentation documentée ne combine pas le streaming avec l’inférence par lots et ne renvoie pas d’horodatages ; une transcription horodatée utilise un autre processus. Ce sont des détails fabricant, pas une promesse de transport applicatif ou de sous-titrage en direct.\n\n### Temps des mots ou caractères avec un aligneur distinct\n\nQwen3-ForcedAligner-0.6B aligne audio et texte fourni et prédit débuts et fins de mots ou caractères. C’est un autre modèle que les deux ASR. Le toolkit peut l’utiliser pour des horodatages hors ligne ou aligner un couple texte–audio existant. Il couvre 11 langues : chinois, anglais, cantonais, français, allemand, italien, japonais, coréen, portugais, russe et espagnol. Sa durée de parole indiquée va jusqu’à cinq minutes ; c’est son périmètre, pas un plafond ASR.\n\nPour sous-titrer, obtenez et vérifiez d’abord le texte, puis alignez-le à la source lorsque pertinent. Utilisez les temps pour segmenter et vérifiez les frontières en écoutant. L’alignement lie les mots fournis à l’audio, sans prouver qu’une transcription erronée est corrigée. Le livrable utile est un texte vérifié avec temps et lien à son enregistrement.\n\n### Enregistrements longs et limites pratiques\n\nLa famille transcrit les longs audios et les exemples conseillent davantage de texte généré pour les entrées longues. Ces réglages sont des choix, pas des plafonds universels de contexte ou de durée. Planifiez la sortie selon l’enregistrement et vérifiez la fin. Contrôlez noms, quantités, changements de langue, mots masqués et chevauchements contre le son. Couverture et robustesse ne garantissent pas une transcription parfaite de chaque accent, enregistrement ou arrangement. Un résultat complet conserve mots reconnus, langue et lien audio pour recherche, édition et processus ultérieur.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "96a66eb1675adec732be8d7282403e30cc409caf0a1e6e106bd25c3a3f8fcdf9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B transforme parole et chant en texte et identifie la langue. Qwen documente 30 langues, 22 dialectes chinois et reconnaissance hors ligne ou en streaming ; les temps des mots utilisent un processus Qwen3-ForcedAligner distinct.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-ASR-1.7B est le plus grand modèle de reconnaissance vocale de la famille Qwen3-ASR. Il reçoit l’audio et renvoie texte reconnu et langue. La famille s’appuie sur l’audiocompréhension Qwen3-Omni et utilise un ASR pour reconnaissance hors ligne et streaming. L’édition 1.7B privilégie la qualité, la 0.6B distincte l’efficacité. Ce sont des choix différents malgré couverture et processus partagés.
Le fabricant liste 30 langues, 22 dialectes chinois et des accents anglais régionaux. Les langues sont chinois, anglais, cantonais, arabe, allemand, français, espagnol, portugais, indonésien, italien, coréen, russe, thaï, vietnamien, japonais, turc, hindi, malais, néerlandais, suédois, danois, finnois, polonais, tchèque, filipino, persan, grec, hongrois, macédonien et roumain. L’audio comprend parole, voix chantée et chansons avec fond musical. Les transcriptions servent interviews, conférences, notes vocales et paroles, avec audio original pour les passages difficiles.
La boîte à outils accepte une référence de fichier audio, de l’audio encodé ou une forme d’onde avec sa fréquence d’échantillonnage ; le processus hors ligne traite une collection. Il détecte la langue ou utilise une langue prise en charge indiquée. Choisissez la détection pour une source inconnue ; donnez la langue parlée réelle lorsqu’elle est connue et pertinente. L’exemple expose langue détectée ou choisie et texte. Le réglage guide la reconnaissance, pas une réécriture dans une autre langue.
Pour une interview, associez l’enregistrement à sa date, à son sujet et à son identifiant source, puis utilisez le texte comme transcription dans laquelle il est possible d’effectuer des recherches. Pour une conférence, préservez termes et expressions numériques en revue au lieu de remplacer les mots incertains par une explication plausible. Pour une chanson, vérifiez les paroles en écoutant la voix, surtout quand la musique masque une syllabe. Le texte vérifié peut alimenter un résumé, une traduction ou une révision distincte.
La famille reconnaît l’audio à son arrivée. L’exemple alimente l’état conservé par morceaux successifs, affiche du texte provisoire puis termine le flux pour langue et transcription finales. Distinguez texte incrémental courant et résultat achevé pour sous-titres en direct ou transcription continue. L’implémentation documentée ne combine pas le streaming avec l’inférence par lots et ne renvoie pas d’horodatages ; une transcription horodatée utilise un autre processus. Ce sont des détails fabricant, pas une promesse de transport applicatif ou de sous-titrage en direct.
Qwen3-ForcedAligner-0.6B aligne audio et texte fourni et prédit débuts et fins de mots ou caractères. C’est un autre modèle que les deux ASR. Le toolkit peut l’utiliser pour des horodatages hors ligne ou aligner un couple texte–audio existant. Il couvre 11 langues : chinois, anglais, cantonais, français, allemand, italien, japonais, coréen, portugais, russe et espagnol. Sa durée de parole indiquée va jusqu’à cinq minutes ; c’est son périmètre, pas un plafond ASR.
Pour sous-titrer, obtenez et vérifiez d’abord le texte, puis alignez-le à la source lorsque pertinent. Utilisez les temps pour segmenter et vérifiez les frontières en écoutant. L’alignement lie les mots fournis à l’audio, sans prouver qu’une transcription erronée est corrigée. Le livrable utile est un texte vérifié avec temps et lien à son enregistrement.
La famille transcrit les longs audios et les exemples conseillent davantage de texte généré pour les entrées longues. Ces réglages sont des choix, pas des plafonds universels de contexte ou de durée. Planifiez la sortie selon l’enregistrement et vérifiez la fin. Contrôlez noms, quantités, changements de langue, mots masqués et chevauchements contre le son. Couverture et robustesse ne garantissent pas une transcription parfaite de chaque accent, enregistrement ou arrangement. Un résultat complet conserve mots reconnus, langue et lien audio pour recherche, édition et processus ultérieur.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-asr-1.7b | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champlanguage | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Minimum: 0 Maximum: 1 | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites json, verbose_json | Par défautjson |
Champtimestamp_granularities | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètrematerial_types | Contrataudio |
Paramètrematerial_conditions | ContratLisez un fichier WAV réel et encodez ses octets réels pour l’entrée JSON input_audio déclarée ; aucune route multipart n’est annoncée pour cette déclaration exacte limitée au JSON. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs affichés servent à estimer le coût avant la génération. Le montant final est calculé à partir du coût enregistré pour la génération d’origine. La durée mesurée du résultat et les quantités prévisionnelles ne constituent pas la quantité finale facturable.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Quantité prévisionnelle | Unité de facturation | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base par jeton | Barème tarifaireTarif de base | Quantité prévisionnelle— | Unité de facturation— | Coût Entrée · Tokens en entrée · Estimation à des fins de comparaison uniquement — / 1K tokens Sortie · Tokens en sortie · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Lecture du cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache, 1 h · Estimation à des fins de comparaison uniquement — / 1K tokens |
| Configurationseconde d’audio en entrée | Barème tarifaire— | Quantité prévisionnelle— | Unité de facturationpar seconde d’audio en entrée | Coût Entrée · seconde d’audio en entrée · Estimation à des fins de comparaison uniquement $0.000015 par seconde d’audio en entrée |
| ConfigurationCoût de génération estimé | Barème tarifaire— | Quantité prévisionnelleEstimation pour une génération | Unité de facturation— | Coût Sortie · Coût estimé de génération · Estimation à des fins de comparaison uniquement $0.000015 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez le X-Client-Request-ID renvoyé pour le rapprochement. Consultez uniquement les valeurs task_id/asset_id effectivement renvoyées ou votre bibliothèque multimédia ; ne construisez jamais une URL de tâche à partir de l’identifiant de l’opération et ne soumettez jamais à nouveau la création.
| Champ | Type |
|---|---|
Champtext | Type |
Champusage | Type |
Champsegments[] | Type |
Champwords[] | Type |
Champspeaker fields | Type |
Champtimestamps | Type |
Ailoot Ultra qwen/qwen3-asr-1.7b
Utilisez les chemins de méthode indiqués ci-dessus.