Qwen: Qwen3 ASR 0.6B

A Qwen3-ASR-0.6B a Qwen Qwen3-ASR beszédfelismerő modellcsaládjának kompakt kiadása. Hangot fogad, és nyelvjelöléssel ellátott átiratot készít. A gyártó a 0.6B változatot a felismerési minőség és a hatékonyság egyensúlyára pozicionálja, míg az 1.7B a külön néven szereplő nagyobb kiadás. Mindkettő a Qwen3-Omni hangmegértésére épít, és közös a dokumentált felismerési lefedettségük, valamint az egységes offline/streaming megközelítésük. A kompakt kiadás hangjegyzetekhez, felirat-előkészítéshez vagy kereshető felvételekhez kapcsolódó munkafolyamatban biztosíthatja az átírás lépését.

Nyelvek, nyelvjárások és támogatott felvételek

A Qwen 30 nyelv és 22 kínai nyelvjárás felismerését és nyelvazonosítását dokumentálja, különböző régiókból származó angol akcentusok támogatásával. Nyelvtáblázata a kínait, angolt, kantonit, arabot, németet, franciát, spanyolt, portugált, indonézt, olaszt, koreait, oroszt, thait, vietnámit, japánt, törököt, hindit, malájt, hollandot, svédet, dánt, finnt, lengyelt, csehet, filippínót, perzsát, görögöt, magyart, macedónt és románt sorolja fel. A felismerhető hangtípusok közé tartozik a beszéd, az énekhang és a háttérzenével kísért dal. A kisebb kiadás megtartja a család e lefedettségét; a mérete nem jelent eltérő támogatott nyelvlistát.

Offline felismerés és a bemenet előkészítése

A hivatalos eszközkészlet fájlhivatkozásként, kódolt hangként vagy mintavételi frekvenciával megadott hullámformaként fogadhat hangot. Támogatja több felvétel offline feldolgozását, az automatikus nyelvfelismerést és egy támogatott nyelv kézi megadását. A dokumentált eredmény a nyelvet és a felismert szöveget tartalmazza. Válassza ki a beszéd nyelvét, ha ismeri, vagy hagyja, hogy a modell azonosítsa, ha a gyűjteményben ismeretlen nyelvű felvételek vannak. Minden felvétel azonosítóját őrizze meg az eredménye mellett, hogy az átirat visszakövethető legyen a megfelelő forráshoz.

Hangjegyzetek gyűjteményénél minden jegyzethez külön eredményt tartson meg, és a felvétel alapján ellenőrizze a neveket, számokat és nem egyértelmű kifejezéseket, mielőtt feladatokat vagy összefoglalót készítene a szövegből. Elmondott oktatóanyagnál az átirat segítségével keresse meg a szövegrészeket, és ellenőrizze az egyes utasítások megfogalmazását. Éneklésnél a dalszöveg ellenőrzésekor az énekszólamra figyeljen, ne fogadjon el egy szót pusztán azért, mert értelmesnek tűnik a dalban. Ezek a szöveges eredmény előkészítési és ellenőrzési lépései; az átirat összefoglalása, fordítása vagy értelmezése külön műveletként következhet.

Streaming szöveg és a felvétel lezárása

A Qwen3-ASR ugyanazt a modellt használja offline és streaming felismeréshez. A gyártó streaming példájában a beérkező hangdarabok frissítik a megőrzött felismerési állapotot, majd egy lezáró lépés adja vissza a kész szöveget és a nyelvet. Ez lehetővé teszi a fokozatos megjelenítést, amely hasznos a folyamatosan készülő átirathoz. Az ideiglenes megjelenítést az aktuális felismerési állapotként kezelje, és a felvétel vége után őrizze meg a végleges eredményt, a javításhoz elérhető hangforrással együtt.

A dokumentált streaming megvalósítás ebben a streaming folyamatban nem támogat kötegelt modellfuttatást vagy időbélyegek visszaadását. A streaming szöveg, az offline átiratok gyűjteménye és az időzített feliratok előkészítése ezért külön gyártói munkafolyamatok. A gyártó példaként megadott darabméretei és tokenbeállításai egy megvalósítást szemléltetnek; nem általános ígéretek késleltetésre, párhuzamosságra vagy hanghosszra. Aszerint válasszon folyamatot, hogy a hasznos eredmény a felvétel közben érkező szöveg, egy gyűjtemény kész átirata vagy idővonalhoz igazított szöveg.

Időzített szöveg Qwen3-ForcedAligner használatával

A Qwen3-ForcedAligner-0.6B külön illesztőmodell, noha ugyanazt a 0.6B méretjelölést viseli, mint ez az ASR-kiadás. Szöveg–hang párt fogad, és szó- vagy karakterszintű kezdő- és végidőket jelez előre. A gyártó offline ASR-eszközkészlete meghívhatja, amikor időbélyegeket kérnek. Dokumentált nyelvkészlete a kínai, angol, kantoni, francia, német, olasz, japán, koreai, portugál, orosz és spanyol, a megadott illesztési tartománya pedig legfeljebb öt percnyi beszéd. Ez a szűkebb nyelvkészlet és az ötperces tartomány a hanghoz igazításhoz tartozik, nem az ASR-modell általános átírási lefedettségéhez.

Feliratokhoz készítsen ellenőrzött átiratot a felvétel nyelvén, a támogatott munkafolyamat szerint igazítsa a hanghoz, és a forrás lejátszása közben vizsgálja meg a szegmensek határait. A használható felirateredmény együtt tartja a szöveget és az időzítést. Ha egy átírt szó hibás, a hang alapján javítsa a szöveget, ne feltételezze, hogy az időtartomány igazolja a szót. Ez a szétválasztás egyértelművé teszi, hogy a probléma a felismerésben, a megadott szövegben vagy egy felirathatár elhelyezésében van-e.

Hosszú hanganyag kimenete és a felismerés ellenőrzése

A Qwen3-ASR család hosszú felvételeket is támogat. Modellfuttatási példái hosszabb hanghoz több generált token engedélyezését javasolják, ezért győződjön meg arról, hogy az átírás a felvétel végéig eljutott, és nem vágta le egy kimeneti keret. A közzétett példák nem határoznak meg általános számszerű kontextusablakot vagy maximális ASR-felvételhosszt. Hosszabb felvétel ellenőrzésének megszervezésekor a hasznos szakaszokat tartsa összekapcsolva a forrásbeli helyükkel. A nehezen hallható szavakat, nyelvváltásokat, átfedő beszédet, szokatlan neveket és énekelt szótagokat ellenőrizze az eredeti hang alapján. A gyakorlati eredmény nyelvjelöléssel ellátott felismert szöveg, amely készen áll keresésre vagy egy további tartalmi lépésre; szükség esetén az időzítést a külön illesztési folyamat adja hozzá.