Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B adalah model pengenalan ucapan Qwen yang lebih besar dalam keluarga Qwen3-ASR. Model menerima audio dan mengembalikan teks yang dikenali bersama label bahasa. Keluarga ini dibangun di atas fondasi pemahaman audio Qwen3-Omni dan memakai satu model ASR untuk pengenalan offline serta streaming. Edisi 1.7B menekankan kualitas pengenalan, sedangkan edisi 0.6B yang dinamai terpisah menekankan efisiensi. Edisi tersebut tetap pilihan berbeda meski berbagi cakupan bahasa dan alur pengenalan yang didokumentasikan.

Identifikasi bahasa dan cakupan audio

Pengembang mencantumkan 30 bahasa dan 22 dialek Tionghoa serta aksen Inggris dari berbagai wilayah. Daftar bahasa mencakup 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 didukung mencakup ucapan, suara nyanyian, dan lagu dengan musik latar. Kemampuan ini membuat transkrip bermanfaat untuk wawancara, kuliah, rekaman suara, dan peninjauan lirik, dengan audio asli dipertahankan untuk memeriksa bagian sulit.

Menyiapkan audio dan mendapatkan transkrip

Toolkit pengembang menerima referensi berkas audio, audio yang dikodekan, atau bentuk gelombang bersama laju sampelnya, dan alur offline dapat memproses kumpulan rekaman. Toolkit dapat mendeteksi bahasa secara otomatis atau memakai bahasa yang didukung dan ditentukan. Pilih deteksi otomatis untuk rekaman yang tidak diketahui; berikan bahasa sebenarnya yang diucapkan ketika diketahui dan relevan untuk tugas. Hasil contoh menampilkan bahasa terdeteksi atau dipilih serta teks yang dikenali. Pengaturan bahasa memandu pengenalan rekaman, bukan menentukan permintaan untuk menulis ulang isinya dalam bahasa lain.

Untuk wawancara, pertahankan rekaman terkait dengan tanggal, subjek, dan pengenal sumbernya, lalu gunakan teks yang dikembalikan sebagai transkrip yang dapat dicari. Untuk kuliah, pertahankan istilah teknis dan ekspresi numerik saat peninjauan, bukan diam-diam mengganti kata tidak jelas dengan penjelasan yang masuk akal. Untuk lagu, periksa lirik yang dikenali sambil mendengarkan bagian vokal, terutama ketika musik menutupi suku kata. Transkrip dapat menjadi masukan untuk langkah peringkasan, terjemahan, atau editorial terpisah setelah kata-katanya diperiksa terhadap audio.

Pengenalan streaming dan cakupannya

Keluarga ASR yang sama mendukung pengenalan ketika audio tiba. Contoh streaming pengembang memasukkan potongan audio berurutan ke keadaan pengenalan yang dipertahankan, menampilkan teks sementara, lalu mengakhiri stream untuk memperoleh bahasa dan transkrip akhir. Bedakan teks bertahap saat ini dari hasil lengkap ketika menyiapkan teks layar langsung atau transkrip berjalan. Implementasi streaming yang didokumentasikan tidak menggabungkan streaming dengan inferensi batch dan tidak mengembalikan penanda waktu; transkrip berwaktu memakai alur lain. Ini detail implementasi pengembang, bukan janji tentang mekanisme pengiriman data aplikasi atau antarmuka teks layar langsung.

Waktu kata atau karakter dengan penyelaras terpisah

Qwen3-ForcedAligner-0.6B menyelaraskan rekaman audio dengan teks yang diberikan dan memprediksi waktu mulai serta akhir tingkat kata atau karakter. Ini model terpisah dari kedua edisi Qwen3-ASR. Toolkit ASR dapat memakai penyelaras tersebut ketika penanda waktu diminta dalam alur transkripsi offline, atau penyelarasan dapat dijalankan pada pasangan teks–audio yang sudah ada. Cakupan penyelaras yang didokumentasikan adalah 11 bahasa: Tionghoa, Inggris, Kanton, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Rusia, dan Spanyol. Rentang ucapan yang dinyatakan hingga lima menit; ini cakupan penyelaras, bukan batas lima menit untuk transkripsi ASR.

Untuk persiapan subtitel, dapatkan dan tinjau transkrip terlebih dahulu, lalu selaraskan dengan rekaman sumber ketika alur penyelarasan tersebut tepat. Gunakan waktu mulai dan akhir yang dikembalikan untuk menyiapkan segmen teks layar dan periksa batasnya sambil mendengarkan. Penyelarasan menghubungkan kata yang diberikan dengan audio; tidak boleh diperlakukan sebagai bukti bahwa transkrip yang salah telah diperbaiki. Artefak bermanfaat adalah transkrip yang diperiksa dengan informasi waktu yang tetap terhubung dengan rekaman yang dijelaskan.

Rekaman panjang dan batas praktis

Keluarga mendukung transkripsi audio panjang, dan contoh resmi menginstruksikan pengguna mengizinkan lebih banyak teks yang dihasilkan untuk masukan lebih panjang. Pengaturan token contoh adalah pilihan konfigurasi, bukan batas konteks model atau durasi audio universal. Rencanakan kapasitas keluaran berdasarkan rekaman dan periksa bahwa bagian akhir ada. Tinjau nama, kuantitas, pergantian bahasa, kata tertutup, dan ucapan tumpang tindih terhadap suara asli. Cakupan bahasa dan ketangguhan terhadap audio menantang tidak menjamin transkrip sempurna untuk setiap aksen, rekaman, atau aransemen musik. Hasil lengkap mempertahankan kata yang dikenali, bahasanya, dan hubungan dengan audio agar dapat dicari, disunting, atau digunakan dalam alur konten berikutnya.