Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B è l’edizione compatta della famiglia di riconoscimento vocale Qwen3-ASR di Qwen. Accetta audio e produce una trascrizione con un’etichetta della lingua. Il produttore posiziona 0.6B sul bilanciamento tra qualità del riconoscimento ed efficienza, mentre 1.7B è l’edizione più grande con un nome distinto. Entrambe sfruttano la comprensione audio di Qwen3-Omni e condividono la copertura di riconoscimento documentata e un approccio unificato offline/in streaming. L’edizione compatta può fornire la fase di trascrizione in un flusso per note vocali, preparazione dei sottotitoli o registrazioni ricercabili.

Lingue, dialetti e registrazioni supportate

Qwen documenta il riconoscimento e l’identificazione di 30 lingue e 22 dialetti cinesi, con supporto per gli accenti inglesi di diverse regioni. La tabella delle lingue elenca cinese, inglese, cantonese, arabo, tedesco, francese, spagnolo, portoghese, indonesiano, italiano, coreano, russo, thailandese, vietnamita, giapponese, turco, hindi, malese, olandese, svedese, danese, finlandese, polacco, ceco, filippino, persiano, greco, ungherese, macedone e rumeno. I tipi di audio riconosciuti comprendono parlato, voce cantata e canzoni con musica di sottofondo. L’edizione più piccola conserva questa copertura della famiglia; la sua dimensione non implica un elenco diverso di lingue supportate.

Riconoscimento offline e preparazione dell’input

Il toolkit ufficiale può ricevere l’audio tramite un riferimento a un file, audio codificato o una forma d’onda con la relativa frequenza di campionamento. Supporta l’elaborazione offline di più registrazioni, il rilevamento automatico della lingua e l’indicazione di una lingua supportata. Il risultato documentato contiene la lingua e il testo riconosciuto. Se conosci la lingua parlata, selezionala; altrimenti lascia che il modello la identifichi quando una raccolta contiene lingue sconosciute. Conserva l’identificatore di ogni registrazione accanto al suo risultato, così la trascrizione può essere ricondotta alla fonte corretta.

Per un insieme di note vocali, conserva un risultato separato per ciascuna nota e verifica nomi, numeri e frasi poco chiare sulla registrazione prima di trasformare il testo in attività o in un riepilogo. Per un tutorial parlato, usa la trascrizione per individuare i passaggi e controllare la formulazione di ogni istruzione. Per il canto, ascolta la linea vocale quando verifichi le parole, anziché accettare un termine soltanto perché ha senso nella canzone. Sono fasi di preparazione e verifica del risultato testuale; riassumere, tradurre o interpretare la trascrizione può seguire come operazione separata.

Testo in streaming e completamento di una registrazione

Qwen3-ASR usa lo stesso modello per il riconoscimento offline e in streaming. Nell’esempio di streaming del produttore, i blocchi audio in arrivo aggiornano uno stato di riconoscimento conservato, e una fase di finalizzazione produce il testo completo e la lingua. Questo consente una visualizzazione incrementale utile per una trascrizione in corso. Considera il testo provvisorio come lo stato attuale del riconoscimento e conserva il risultato finale dopo la fine della registrazione, mantenendo disponibile l’audio sorgente per eventuali correzioni.

L’implementazione in streaming documentata non supporta l’inferenza in batch né la restituzione di marcature temporali in quel flusso. Il testo in streaming, una raccolta di trascrizioni offline e la preparazione di sottotitoli temporizzati sono quindi flussi distinti del produttore. Le dimensioni dei blocchi e le impostazioni dei token negli esempi illustrano un’implementazione; non sono promesse universali su latenza, concorrenza o durata dell’audio. Scegli il flusso in base al risultato utile: testo che arriva durante una registrazione, testo completo per una raccolta o testo allineato a una linea temporale.

Il testo temporizzato usa Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B è un modello di allineamento separato, pur condividendo l’etichetta dimensionale 0.6B con questa edizione ASR. Riceve una coppia testo–audio e prevede i tempi di inizio e fine a livello di parola o carattere. Il toolkit ASR offline del produttore può invocarlo quando vengono richieste marcature temporali. L’insieme di lingue documentato comprende cinese, inglese, cantonese, francese, tedesco, italiano, giapponese, coreano, portoghese, russo e spagnolo, e l’intervallo di allineamento dichiarato arriva a cinque minuti di parlato. Questo insieme più ristretto di lingue e l’intervallo di cinque minuti riguardano l’allineamento forzato, non la copertura generale della trascrizione del modello ASR.

Per i sottotitoli, prepara una trascrizione verificata nella lingua della registrazione, allineala dove è applicabile il flusso supportato e controlla i confini dei segmenti durante la riproduzione della fonte. Un risultato di sottotitolazione utilizzabile conserva insieme parole e tempi. Se una parola della trascrizione è errata, correggila confrontandola con l’audio, anziché presumere che un intervallo temporale la convalidi. Questa separazione chiarisce se un problema riguarda il riconoscimento, il testo fornito o la posizione del confine di un sottotitolo.

Output per audio lunghi e controlli del riconoscimento

La famiglia Qwen3-ASR supporta registrazioni lunghe. Gli esempi di inferenza consigliano di consentire più token generati per audio più lunghi, quindi assicurati che la trascrizione arrivi alla fine della registrazione e che il limite di output non l’abbia interrotta. Gli esempi pubblicati non stabiliscono una finestra di contesto numerica universale né una durata massima delle registrazioni ASR. Mantieni associate le sezioni utili e le loro posizioni nella fonte quando organizzi una registrazione estesa per la verifica. Controlla parole poco udibili, cambi di lingua, voci sovrapposte, nomi insoliti e sillabe cantate sul suono originale. Il risultato pratico è testo riconosciuto con un’etichetta della lingua, pronto per la ricerca o una successiva fase sui contenuti, con i tempi aggiunti tramite il flusso di allineamento separato quando necessario.