Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B adalah edisi ringkas dari keluarga pengenalan ucapan Qwen3-ASR milik Qwen. Model ini menerima audio dan menghasilkan transkrip beserta label bahasa. Produsen memosisikan 0.6B pada keseimbangan antara kualitas pengenalan dan efisiensi, sedangkan 1.7B adalah edisi lebih besar dengan nama tersendiri. Keduanya memanfaatkan pemahaman audio Qwen3-Omni serta memiliki cakupan pengenalan dan pendekatan terpadu offline/streaming yang sama sebagaimana didokumentasikan. Edisi ringkas ini dapat menyediakan tahap transkripsi dalam alur kerja catatan suara, persiapan takarir, atau rekaman yang dapat ditelusuri.

Bahasa, dialek, dan rekaman yang didukung

Qwen mendokumentasikan pengenalan dan identifikasi bahasa untuk 30 bahasa dan 22 dialek Tionghoa, dengan dukungan aksen bahasa Inggris dari berbagai wilayah. Tabel bahasanya mencantumkan bahasa Tionghoa, Inggris, Kanton, Arab, Jerman, Prancis, Spanyol, Portugis, Indonesia, Italia, Korea, Rusia, Thai, Vietnam, Jepang, Turki, Hindi, Melayu, Belanda, Swedia, Denmark, Finlandia, Polandia, Ceko, Filipino, Persia, Yunani, Hungaria, Makedonia, dan Rumania. Jenis audio yang dikenali meliputi ucapan, suara nyanyian, dan lagu dengan musik latar. Edisi yang lebih kecil tetap memiliki cakupan keluarga ini; ukurannya tidak berarti daftar bahasa yang didukung berbeda.

Pengenalan offline dan persiapan masukan

Toolkit resmi dapat menerima audio melalui referensi berkas, audio yang dikodekan, atau bentuk gelombang beserta laju sampelnya. Toolkit ini mendukung pemrosesan offline beberapa rekaman, deteksi bahasa otomatis, dan penetapan bahasa yang didukung. Hasil yang didokumentasikan memuat bahasa dan teks yang dikenali. Pilih bahasa yang diucapkan jika Anda mengetahuinya, atau biarkan model mengidentifikasinya jika koleksi memuat bahasa yang tidak diketahui. Simpan pengenal setiap rekaman di samping hasilnya agar transkrip dapat ditelusuri kembali ke sumber yang benar.

Untuk sekumpulan catatan suara, simpan hasil terpisah bagi setiap catatan dan periksa nama, angka, serta frasa yang tidak jelas dengan mencocokkannya pada rekaman sebelum mengubah teks menjadi tugas atau ringkasan. Untuk tutorial lisan, gunakan transkrip untuk menemukan bagian tertentu dan memeriksa kata-kata dalam setiap instruksi. Untuk nyanyian, dengarkan bagian vokalnya saat memeriksa lirik, alih-alih menerima sebuah kata hanya karena kata itu masuk akal dalam lagu. Ini adalah langkah persiapan dan peninjauan untuk hasil berupa teks; peringkasan, penerjemahan, atau penafsiran transkrip dapat dilanjutkan sebagai operasi terpisah.

Teks streaming dan penyelesaian rekaman

Qwen3-ASR menggunakan model yang sama untuk pengenalan offline dan streaming. Dalam contoh streaming produsen, potongan audio yang masuk memperbarui status pengenalan yang dipertahankan, dan tahap finalisasi menghasilkan teks lengkap serta bahasa. Hal ini mendukung tampilan bertahap yang berguna untuk transkrip yang sedang berlangsung. Perlakukan tampilan sementara sebagai status pengenalan saat ini dan simpan hasil akhir setelah rekaman berakhir, dengan sumber audio tetap tersedia untuk koreksi.

Implementasi streaming yang didokumentasikan tidak mendukung inferensi batch atau pengembalian stempel waktu dalam alur streaming tersebut. Karena itu, teks streaming, kumpulan transkripsi offline, dan persiapan takarir dengan informasi waktu merupakan alur kerja produsen yang berbeda. Ukuran potongan dan pengaturan token dalam contoh produsen menggambarkan implementasi; keduanya bukan janji universal mengenai latensi, konkurensi, atau panjang audio. Pilih alur kerja berdasarkan hasil yang berguna bagi Anda: teks yang muncul selama perekaman, teks lengkap untuk suatu koleksi, atau teks yang diselaraskan dengan linimasa.

Teks dengan informasi waktu menggunakan Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B adalah model penyelarasan terpisah, meskipun memiliki label ukuran 0.6B yang sama dengan edisi ASR ini. Model tersebut menerima pasangan teks–audio dan memprediksi waktu mulai serta selesai pada tingkat kata atau karakter. Toolkit ASR offline produsen dapat memanggilnya ketika stempel waktu diminta. Kumpulan bahasa yang didokumentasikan mencakup bahasa Tionghoa, Inggris, Kanton, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Rusia, dan Spanyol, dan rentang penyelarasan yang dinyatakan adalah hingga lima menit ucapan. Kumpulan bahasa yang lebih sempit dan rentang lima menit itu berlaku untuk penyelarasan paksa, bukan cakupan transkripsi umum model ASR.

Untuk subtitel, siapkan transkrip yang telah ditinjau dalam bahasa rekaman, selaraskan jika alur kerja yang didukung berlaku, dan periksa batas segmen sambil memutar sumbernya. Hasil takarir yang dapat digunakan menyatukan kata-kata dan informasi waktunya. Jika sebuah kata dalam transkrip salah, perbaiki kata tersebut berdasarkan audio, bukan dengan menganggap rentang waktu membuktikan kebenarannya. Pemisahan ini memperjelas apakah masalah ada pada pengenalan, teks yang diberikan, atau penempatan batas takarir.

Keluaran untuk audio panjang dan pemeriksaan pengenalan

Keluarga Qwen3-ASR mendukung rekaman panjang. Contoh inferensinya menyarankan pemberian token keluaran yang lebih banyak untuk audio yang lebih panjang, jadi pastikan transkripsi mencapai akhir rekaman dan tidak terpotong oleh jatah keluaran. Contoh yang dipublikasikan tidak menetapkan jendela konteks numerik universal atau durasi maksimum rekaman ASR. Saat menata rekaman panjang untuk peninjauan, pertahankan hubungan antara bagian yang berguna dan posisinya dalam sumber. Periksa kata yang tersamarkan, pergantian bahasa, ucapan yang tumpang tindih, nama yang tidak biasa, dan suku kata yang dinyanyikan dengan mencocokkannya pada suara asli. Hasil praktisnya adalah teks yang dikenali beserta label bahasa, siap untuk pencarian atau tahap konten berikutnya, dengan informasi waktu yang ditambahkan melalui alur penyelarasan terpisah bila diperlukan.