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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Identificazione della lingua e copertura audio\n\nIl 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.\n\n### Preparazione dell’audio e ottenimento della trascrizione\n\nIl 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.\n\nPer 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.\n\n### Riconoscimento in streaming e relativo ambito\n\nLa 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.\n\n### Tempi delle parole o dei caratteri con un allineatore separato\n\nQwen3-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.\n\nPer 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.\n\n### Registrazioni lunghe e limiti pratici\n\nLa 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0af48353e34bda171bc91e8fd27f4b0573e34b2b323bfd3c95e52489bfe5dd37", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B converte parlato e canto in testo e identifica la lingua. Qwen documenta 30 lingue, 22 dialetti cinesi e riconoscimento offline o in streaming; la temporizzazione delle parole usa un flusso separato Qwen3-ForcedAligner.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
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.
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.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-asr-1.7b | Predefinito— |
Campoinput_audio | Tipoobject | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campolanguage | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Minimo: 0 Massimo: 1 | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti json, verbose_json | Predefinitojson |
Campotimestamp_granularities | Tipoarray | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input_audio |
Parametromaterial_types | Contrattoaudio |
Parametromaterial_conditions | ContrattoLeggi un file WAV reale e codifica i suoi byte effettivi per l'input JSON dichiarato input_audio; per questa dichiarazione esatta che ammette solo JSON non viene proposta una rotta multipart. |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le tariffe visualizzate stimano il costo prima della generazione. L'addebito finale viene calcolato in base al costo registrato per la generazione originale. La durata misurata dell'output e le quantità previste non costituiscono la quantità finale fatturabile.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Quantità prevista | Unità di fatturazione | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Quantità prevista— | Unità di fatturazione— | Costo Input · Token in input · Stima solo a fini di confronto — / 1K token Output · Token in output · Stima solo a fini di confronto — / 1K token Input · Lettura dalla cache · Stima solo a fini di confronto — / 1K token Input · Scrittura nella cache · Stima solo a fini di confronto — / 1K token Input · Scrittura nella cache, 1 ora · Stima solo a fini di confronto — / 1K token |
| Configurazionesecondo audio in ingresso | Listino delle tariffe— | Quantità prevista— | Unità di fatturazioneper secondo di audio in input | Costo Input · secondo audio in ingresso · Stima solo a fini di confronto $0.000015 per secondo di audio in input |
| ConfigurazioneCosto stimato della generazione | Listino delle tariffe— | Quantità previstastima per una generazione | Unità di fatturazione— | Costo Output · Costo di generazione stimato · Stima solo a fini di confronto $0.000015 stima prima della generazione Questa stima non è un addebito aggiuntivo né una tariffa fissa per la generazione completata. |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID restituito per la riconciliazione. Leggi solo i valori task_id/asset_id effettivamente restituiti o la tua libreria multimediale; non costruire mai un URL del task a partire dall'ID dell'operazione e non reinviare mai la richiesta di creazione.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra qwen/qwen3-asr-1.7b
Usa i percorsi dei metodi indicati sopra.