Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6Bは、Qwenの音声認識シリーズQwen3-ASRの小型版です。音声を受け取り、言語ラベル付きの書き起こしを出力します。メーカーは0.6Bを認識品質と効率のバランスを重視するモデルとして位置づけており、1.7Bは別の名称を持つより大型の版です。両者ともQwen3-Omniの音声理解を活用し、文書化された認識対象の範囲と、オフライン・ストリーミングを統一した方式を共有します。小型版は、音声メモ、字幕の準備、検索可能な録音を扱うワークフローで、書き起こしの工程を担えます。

対応言語・方言と録音の種類

Qwenは30言語と中国語の22方言での認識と言語識別を説明しており、各地域の英語アクセントにも対応しています。言語表には、中国語、英語、広東語、アラビア語、ドイツ語、フランス語、スペイン語、ポルトガル語、インドネシア語、イタリア語、韓国語、ロシア語、タイ語、ベトナム語、日本語、トルコ語、ヒンディー語、マレー語、オランダ語、スウェーデン語、デンマーク語、フィンランド語、ポーランド語、チェコ語、フィリピノ語、ペルシア語、ギリシャ語、ハンガリー語、マケドニア語、ルーマニア語が記載されています。認識対象の音声には、発話、歌声、背景音楽付きの楽曲が含まれます。小型版もこのシリーズ共通の範囲を維持しており、モデルサイズが違っても対応言語の一覧が別になるわけではありません。

オフライン認識と入力の準備

公式ツールキットは、ファイル参照、エンコードされた音声、サンプリング周波数を添えた波形から音声を受け取れます。複数録音のオフライン処理、言語の自動検出、対応言語の明示的な指定を利用できます。文書で示された結果には、言語と認識したテキストが含まれます。話されている言語が分かる場合は指定し、不明な言語を含む録音集ではモデルに識別させます。各録音の識別子を結果とともに保持し、書き起こしから正しい元音声をたどれるようにします。

複数の音声メモならメモごとに別の結果を保持し、テキストをタスクや要約にする前に、名前、数字、不明瞭な表現を録音と照合します。音声によるチュートリアルなら、書き起こしで該当箇所を見つけ、各手順の言い回しを確認します。歌詞を確認する場合は、曲の文脈に合うという理由だけで単語を受け入れず、歌声を聞いて照合します。これらはテキスト成果物を準備・確認する工程です。書き起こしの要約、翻訳、解釈は、その後に別の処理として行えます。

ストリーミング表示と録音の確定

Qwen3-ASRは、オフライン認識とストリーミング認識に同じモデルを使います。メーカーのストリーミング例では、受信した音声チャンクで保持中の認識状態を更新し、最後に確定処理を行って完成したテキストと言語を得ます。これにより、書き起こしを進行に合わせて逐次表示できます。途中の表示はその時点の認識状態として扱い、録音終了後は最終結果を保存し、修正に使える元音声も残します。

文書化されたストリーミング実装は、そのストリーミング処理内でのバッチ推論やタイムスタンプの返却には対応していません。このため、テキストのストリーミング、複数録音のオフライン書き起こし、時刻付き字幕の準備は、メーカーが示す別々のワークフローです。チャンクサイズやトークン設定の例は実装方法を示すものであり、すべての利用に共通する遅延、同時処理数、音声の長さを保証するものではありません。録音中に届くテキストが必要か、録音集の完成したテキストが必要か、タイムラインに合わせたテキストが必要かに応じて、ワークフローを選びます。

時刻付きテキストにはQwen3-ForcedAlignerを使う

Qwen3-ForcedAligner-0.6Bは、このASR版と0.6Bというサイズ表記を共有していますが、別のアライメントモデルです。テキストと音声のペアを受け取り、単語単位または文字単位の開始・終了時刻を予測します。メーカーのオフラインASRツールキットは、タイムスタンプを求められた際にこのモデルを呼び出せます。文書に記載された対応言語は中国語、英語、広東語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語で、公表されたアライメント対象の長さは最大5分の発話です。この狭い言語範囲と5分という長さは強制アライメントの条件であり、ASRモデル全体の書き起こし範囲を表すものではありません。

字幕には、録音の言語で確認済みの書き起こしを用意し、対応するワークフローで時刻を合わせ、元音声を再生しながら区間の境界を確認します。使える字幕成果物は、文言と時刻を一緒に保持します。書き起こしの単語が誤っている場合は、時間区間が付いているから正しいと考えず、音声と照合して言葉を直します。このように処理を分けると、問題が音声認識、入力したテキスト、字幕区間の境界のどこにあるかを明確にできます。

長い音声の出力と認識結果の確認

Qwen3-ASRシリーズは長い録音に対応しています。推論例では長い音声ほど生成できるトークン数を多く確保するよう勧めているため、書き起こしが録音の最後まで到達し、出力枠によって途中で切れていないことを確認します。公開されている例は、すべての利用に共通するコンテキストウィンドウの数値や、ASRが処理できる録音の最大時間を示すものではありません。長い録音を確認用に整理する際は、必要な区間と元音声内の位置を紐づけて保持します。不明瞭な単語、言語の切り替わり、重なった発話、珍しい名前、歌唱中の音節を元の音と照合します。実用上の結果は、検索や次のコンテンツ処理に使える、言語ラベル付きの認識テキストです。必要に応じて、別のアライメント処理で時刻を追加します。