Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B è il modello di riconoscimento vocale più grande di Qwen nella famiglia Qwen3-ASR. Riceve audio e restituisce testo riconosciuto insieme a un’etichetta della lingua. La famiglia si basa sulla comprensione audio di Qwen3-Omni e usa un unico modello ASR per riconoscimento offline e in streaming. L’edizione 1.7B privilegia la qualità del riconoscimento, mentre la separata edizione 0.6B enfatizza l’efficienza. Rimangono scelte distinte anche se condividono copertura linguistica e flussi documentati.

Identificazione della lingua e copertura audio

Il produttore elenca 30 lingue e 22 dialetti cinesi, oltre ad accenti inglesi di più regioni. L’elenco include cinese, inglese, cantonese, arabo, tedesco, francese, spagnolo, portoghese, indonesiano, italiano, coreano, russo, thailandese, vietnamita, giapponese, turco, hindi, malese, neerlandese, svedese, danese, finlandese, polacco, ceco, filippino, persiano, greco, ungherese, macedone e rumeno. I tipi audio supportati comprendono parlato, voce cantata e canzoni con musica di sottofondo. Queste capacità rendono la trascrizione utile per interviste, lezioni, registrazioni vocali e revisione dei testi delle canzoni, mantenendo l’audio originale per verificare i passaggi difficili.

Preparazione dell’audio e ottenimento della trascrizione

Il toolkit del produttore accetta un riferimento a un file audio, audio codificato o una forma d’onda con la sua frequenza di campionamento, e il flusso offline può elaborare una raccolta di registrazioni. Può rilevare automaticamente la lingua o usare una lingua supportata specificata. Scegli il rilevamento automatico per una registrazione sconosciuta; fornisci la lingua effettivamente parlata quando è nota e pertinente al compito. Il risultato di esempio espone lingua rilevata o selezionata e testo riconosciuto. L’impostazione della lingua guida il riconoscimento della registrazione, non definisce una richiesta di riscriverne il contenuto in un’altra lingua.

Per un’intervista, mantieni la registrazione associata a data, argomento e identificativo sorgente, poi usa il testo restituito come trascrizione ricercabile. Per una lezione, conserva termini tecnici ed espressioni numeriche durante la revisione anziché sostituire silenziosamente parole poco chiare con una spiegazione plausibile. Per una canzone, verifica il testo riconosciuto ascoltando la linea vocale, soprattutto dove la musica copre una sillaba. La trascrizione può diventare input di un successivo passaggio separato di sintesi, traduzione o revisione editoriale dopo averne verificato le parole rispetto all’audio.

Riconoscimento in streaming e relativo ambito

La stessa famiglia ASR supporta il riconoscimento mentre arriva l’audio. L’esempio di streaming del produttore invia blocchi successivi a uno stato di riconoscimento mantenuto, mostra testo provvisorio, poi termina il flusso per ottenere lingua e trascrizione finali. Distingui il testo incrementale corrente dal risultato completo quando prepari sottotitoli dal vivo o una trascrizione continua. L’implementazione documentata non combina streaming e inferenza in batch e non restituisce timestamp; una trascrizione temporizzata usa un flusso diverso. Sono dettagli di implementazione del produttore, non una promessa sul trasporto o sull’interfaccia di sottotitoli dal vivo di un’applicazione.

Tempi delle parole o dei caratteri con un allineatore separato

Qwen3-ForcedAligner-0.6B allinea una registrazione audio al testo fornito e predice tempi iniziali e finali a livello di parola o carattere. È un modello separato da entrambe le edizioni Qwen3-ASR. Il toolkit ASR può usare l’allineatore quando sono richiesti timestamp nel flusso offline di trascrizione, oppure l’allineamento può essere eseguito su una coppia testo–audio esistente. La copertura documentata dell’allineatore comprende 11 lingue: cinese, inglese, cantonese, francese, tedesco, italiano, giapponese, coreano, portoghese, russo e spagnolo. La durata dichiarata del parlato arriva a cinque minuti: è l’ambito dell’allineatore, non un tetto di cinque minuti per la trascrizione ASR.

Per preparare sottotitoli, ottieni e rivedi prima la trascrizione, poi allineala alla registrazione sorgente dove il flusso di allineamento è appropriato. Usa i tempi iniziali e finali restituiti per creare segmenti e controllane i confini ascoltando. L’allineamento associa parole fornite all’audio; non va trattato come prova che una trascrizione errata sia stata corretta. Il risultato utile è una trascrizione verificata con informazioni temporali che resta collegata alla registrazione descritta.

Registrazioni lunghe e limiti pratici

La famiglia supporta trascrizione di audio lungo e gli esempi ufficiali indicano di consentire più testo generato per input più lunghi. Le impostazioni illustrative dei token sono scelte di configurazione, non un limite universale di contesto del modello o durata dell’audio. Pianifica lo spazio di output in base alla registrazione e verifica che ne sia presente la fine. Rivedi nomi, quantità, cambi di lingua, parole coperte e parlato sovrapposto rispetto al suono originale. Copertura linguistica e robustezza ad audio difficile non garantiscono una trascrizione perfetta per ogni accento, registrazione o arrangiamento musicale. Un risultato completo conserva parole riconosciute, lingua e relazione con l’audio, così da essere ricercabile, modificabile o utilizzabile in un successivo flusso di contenuti.