Qwen3 Omni 30B A3B Captioner

Ikhtisar: deskripsi suara yang terperinci

Qwen3-Omni-30B-A3B-Captioner adalah model khusus deskripsi audio yang disetel dari Qwen3-Omni-30B-A3B-Instruct. Model ini mengubah klip audio menjadi uraian teks terperinci tentang apa yang terdengar. Qwen merancangnya untuk beragam materi, termasuk ucapan, suara lingkungan, musik, efek sinematik, dan campuran beberapa sumber suara. Karena itu, model ini berguna untuk menyiapkan deskripsi aset audio yang dapat dicari atau meninjau lapisan suara dalam segmen media pendek.

Pemahaman ucapan dan suara nonucapan

Pembuat menjelaskan analisis beberapa pembicara, ungkapan multibahasa, emosi vokal, dan maksud yang tersirat dari cara penyampaian. Contohnya melampaui transkrip: contoh tersebut menjelaskan bagaimana suara terdengar, bahasa yang digunakan, dan suasana akustik di sekitarnya. Untuk audio nonucapan, model menjelaskan atmosfer lingkungan, suara dunia nyata, lapisan musik, dan detail dinamis dalam film atau media.

Deskripsi suasana hati, maksud pembicara, atau konteks budaya merupakan interpretasi materi yang terdengar. Perlakukan secara terpisah dari ucapan dan peristiwa suara yang dapat diperiksa langsung. Deskripsi dapat membantu peninjau menyadari perubahan nada atau lapisan latar; deskripsi bukan pengukuran emosi pribadi seseorang atau bukti sumber fisik dari suara yang ambigu.

Edisi Captioner dan kontrak masukannya

Checkpoint ini hanya untuk satu giliran. Model menerima tepat satu masukan audio per inferensi, tanpa prompt teks, dan hanya mengembalikan teks. Model ini memiliki komponen thinker untuk pemahaman audio; konfigurasi yang diterbitkan secara eksplisit menonaktifkan keluaran audio. Jangan memindahkan fitur percakapan, gambar, video, atau generasi ucapan dari edisi Qwen3-Omni lain ke Captioner hanya karena namanya berada dalam keluarga yang sama.

Ketiadaan prompt teks penting dalam praktik. Siapkan segmen audio yang ingin dideskripsikan dan kirim segmen itu sebagai seluruh tugas. Jangan menambahkan instruksi untuk ringkasan khusus, terjemahan, jawaban kepada pembicara, atau skema keluaran. Jika alur kerja membutuhkan transformasi tersebut, transformasi itu termasuk tahap terpisah yang bekerja pada deskripsi yang dikembalikan, bukan dianggap sebagai kontrol checkpoint pembuatan deskripsi ini.

Menyiapkan audio yang berguna

Qwen merekomendasikan klip tidak lebih dari 30 detik untuk deskripsi terperinci. Ini merupakan rekomendasi kualitas: audio yang terlalu panjang dapat mengurangi persepsi detail. Batas ini tidak disajikan sebagai ambang penolakan ketat yang universal. Untuk rekaman lebih panjang, pilih segmen pendek yang bermakna di sekitar peristiwa atau adegan yang ditinjau. Simpan pengenal sumber dan waktu mulainya di luar permintaan model agar deskripsi yang dikembalikan dapat dilacak ke rekaman asli nantinya.

Pertahankan lapisan suara yang relevan dengan pertanyaan. Cuplikan yang berfokus pada suara pembicara sebaiknya tetap menyertakan latar ketika latar tersebut memengaruhi deskripsi yang diinginkan; aset musik atau efek suara sebaiknya mempertahankan transisi pentingnya alih-alih dipotong pada batas sembarang. Memproses klip secara terpisah membantu mempertahankan detail setempat, tetapi tidak membuktikan kesinambungan otomatis atau pemahaman seluruh rekaman lintas permintaan.

Kegunaan hasil teks

Panduan praktik pembuat menunjukkan deskripsi yang menjelaskan isi dan cara penyampaian ucapan, lalu adegan di sekitarnya; contoh lain menjelaskan musik, efek, perubahan intensitas, dan urutan peristiwa vokal. Katalog audio dapat menyimpan teks yang dikembalikan bersama nama aset dan rentang waktu. Peninjau media dapat menggunakannya sebagai draf log suara. Editor dapat membandingkan deskripsi dengan klip untuk mengidentifikasi apakah deskripsi menangkap lapisan yang diinginkan. Ini merupakan contoh aplikasi, bukan bukti bahwa model telah mendengarkan aset pengguna tertentu sebelumnya.

Keluarannya berupa deskripsi, bukan janji transkrip kata demi kata, tabel pemisahan pembicara, berkas subtitel dengan cap waktu, atau trek suara yang dihasilkan. Ketika diperlukan kata-kata yang diucapkan secara persis atau waktu yang tepat, periksa deskripsi berdasarkan audio dan gunakan alur kerja khusus yang sesuai untuk artefak yang diperlukan. Deskripsi yang kaya dapat menyertakan informasi adegan atau genre yang disimpulkan, jadi pertahankan ketidakpastian ketika suara itu sendiri tidak mengidentifikasi sumber secara jelas.

Contoh generasi dan batasan

Contoh mandiri pembuat menetapkan konteks model 32.768 token dan alokasi generasi 16.384 token, menggunakan temperature 0,6, top_p 0,95, dan top_k 20. Panduan praktiknya menggunakan alokasi generasi 8.192 token dengan nilai sampling yang sama. Ini merupakan konfigurasi contoh, bukan panjang deskripsi maksimum yang dinyatakan secara terpisah. Konfigurasi teks dasarnya mencantumkan 65.536 posisi, yang sebaiknya tidak diubah menjadi jaminan durasi audio.

Kode utilitas umum atau bidang konfigurasi yang digunakan bersama keluarga Omni tidak menggantikan kontrak eksplisit Captioner: satu audio, tanpa teks masukan, dan hanya teks keluaran. Hasil yang berguna adalah deskripsi terperinci tentang adegan suara pendek; periksa kutipan ucapan, jumlah pembicara, dan sumber suara yang disimpulkan sebelum menggunakannya sebagai catatan yang berwibawa.