Qwen: Qwen3 ASR 1.7B

A Qwen3-ASR-1.7B a Qwen nagyobb beszédfelismerő modellje a Qwen3-ASR családban. Hangot fogad, és felismert szöveget ad vissza nyelvi címkével együtt. A család a Qwen3-Omni hangmegértési alapjára épül, és egy ASR-modellt használ offline és streaming felismeréshez. Az 1.7B kiadás a felismerés minőségére helyezi a hangsúlyt, míg a külön néven szereplő 0.6B kiadás a hatékonyságra. Ezek a kiadások külön választási lehetőségek maradnak, még ha közös is a dokumentált nyelvi lefedettségük és felismerési munkafolyamatuk.

Nyelvazonosítás és hanganyagok lefedettsége

A gyártó 30 nyelvet és 22 kínai nyelvjárást sorol fel, valamint több régió angol akcentusait. A nyelvlistán a kínai, angol, kantoni, arab, német, francia, spanyol, portugál, indonéz, olasz, koreai, orosz, thai, vietnámi, japán, török, hindi, maláj, holland, svéd, dán, finn, lengyel, cseh, filippínó, perzsa, görög, magyar, macedón és román szerepel. A támogatott hangtípusok között beszéd, énekhang és háttérzenés dalok vannak. Ezek a képességek interjúkhoz, előadásokhoz, hangfelvételekhez és dalszöveg-ellenőrzéshez teszik hasznossá az átiratot, az eredeti hang megőrzésével a nehéz részletek ellenőrzéséhez.

Hang előkészítése és átirat készítése

A gyártó eszközkészlete hangfájlhivatkozást, kódolt hangot vagy mintavételi frekvenciával együtt megadott hullámformát fogad, offline munkafolyamata pedig felvételek gyűjteményét is feldolgozhatja. A nyelvet automatikusan észlelheti, vagy megadott, támogatott nyelvet használhat. Ismeretlen felvételnél válassz automatikus felismerést; add meg a ténylegesen beszélt nyelvet, ha ismert és a feladat szempontjából releváns. A példaeredmény megjeleníti az észlelt vagy kiválasztott nyelvet és a felismert szöveget. A nyelvi beállítás a felvétel felismerését irányítja, nem pedig a tartalom más nyelvre történő átírását kéri.

Interjúnál őrizd meg a felvétel kapcsolatát a dátummal, témával és forrásazonosítóval, majd használd a visszaadott szöveget kereshető átiratként. Előadásnál az ellenőrzés során tartsd meg a műszaki kifejezéseket és számszerű megfogalmazásokat ahelyett, hogy a bizonytalan szavakat észrevétlenül egy hihető magyarázattal helyettesítenéd. Dalnál a felismert szöveget az énekszólam hallgatása közben ellenőrizd, különösen ott, ahol a zene elfed egy szótagot. Az átirat külön összefoglalási, fordítási vagy szerkesztési lépés bemenete lehet, miután a megfogalmazását ellenőrizték a hang alapján.

Streaming felismerés és hatóköre

Ugyanez az ASR család a hang beérkezése közbeni felismerést is támogatja. A gyártó streaming példája egymást követő hangdarabokat ad egy megőrzött felismerési állapothoz, köztes szöveget jelenít meg, majd lezárja a streamet a végső nyelv és átirat eléréséhez. Élő feliratok vagy folyamatos átirat előkészítésekor különböztesd meg az aktuális, fokozatosan bővülő szöveget a befejezett eredménytől. A dokumentált streaming megvalósítás nem kombinálja a streaminget kötegelt következtetéssel, és nem ad vissza időbélyegeket; az időzített átirat más munkafolyamatot használ. Ezek a gyártó megvalósítási részletei, nem egy alkalmazás adatátvitelére vagy élőfelirat-felületére tett ígéretek.

Szavak vagy karakterek időzítése külön illesztővel

A Qwen3-ForcedAligner-0.6B egy hangfelvételt a megadott szöveghez illeszt, és szó- vagy karakterszintű kezdő- és végidőket jósol. Mindkét Qwen3-ASR kiadástól külön modell. Az ASR eszközkészlet használhatja ezt az illesztőt, amikor offline átírási munkafolyamatában időbélyegeket kérnek, vagy az illesztés meglévő szöveg–hang páron is futtatható. Az illesztő dokumentált lefedettsége 11 nyelv: kínai, angol, kantoni, francia, német, olasz, japán, koreai, portugál, orosz és spanyol. Megadott beszédtartománya legfeljebb öt perc; ez az illesztő hatóköre, nem az ASR átírás ötperces plafonja.

Feliratkészítéshez először készítsd el és ellenőrizd az átiratot, majd illeszd a forrásfelvételhez, ahol az illesztési munkafolyamat megfelelő. A visszaadott kezdő- és végidőkkel készíts feliratszakaszokat, és hallgatás közben vizsgáld meg a határaikat. Az illesztés a megadott szavakat hanghoz kapcsolja; nem kellene annak bizonyítékaként kezelni, hogy a hibás átiratot kijavították. A hasznos eredmény egy ellenőrzött, időzítési információval ellátott átirat, amely továbbra is az általa leírt felvételhez kapcsolódik.

Hosszú felvételek és gyakorlati korlátok

A család támogatja a hosszú hang átírását, és a hivatalos példák arra utasítják a felhasználókat, hogy hosszabb bemenethez több generált szöveget engedjenek. Szemléltető tokenbeállításaik konfigurációs választások, nem egyetemes modellkontextus- vagy hanghosszkorlátok. A kimeneti keretet a felvételhez tervezd, és ellenőrizd, hogy a befejezés szerepel-e benne. Az eredeti hang alapján vizsgáld meg a neveket, mennyiségeket, nyelvváltásokat, elfedett szavakat és az átfedő beszédet. A nyelvi lefedettség és a nehéz hanganyagokkal szembeni robusztusság nem garantál hibátlan átiratot minden akcentushoz, felvételhez vagy zenei hangszereléshez. A teljes eredmény megőrzi a felismert megfogalmazást, annak nyelvét és kapcsolatát a hanggal, hogy kereshető, szerkeszthető vagy későbbi tartalmi munkafolyamatban használható legyen.