Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7Bは、Qwen3-ASR系列の中で大きい方のQwen音声認識モデルです。音声を受け取り、言語ラベルとともに認識したテキストを返します。系列は、Qwen3-Omniの音声理解の基盤を基にし、一つのASRモデルでオフライン認識とストリーミング認識を行います。1.7B版は認識品質を重視し、別の名前を持つ0.6B版は効率を重視しています。文書化された言語範囲と認識フローを共通して持っていても、両版は別々の選択肢です。

言語識別と音声の範囲

開発元は、30言語と22の中国語方言に加え、複数地域の英語のアクセントを挙げています。言語一覧は、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、ペルシャ語、ギリシャ語、ハンガリー語、マケドニア語、ルーマニア語です。対応する音声の種類は、話し声、歌声、伴奏のある歌を含みます。難しい箇所を確認するために元の音声を保持しながら、インタビュー、講義、音声録音、歌詞の確認に文字起こしを使えます。

音声を準備して文字起こしを得る

開発元のツールキットは、音声ファイルの参照、エンコードされた音声、サンプルレートを伴う波形を受け取り、オフラインのフローで複数の録音を処理できます。言語を自動検出することも、指定した対応言語を使うこともできます。不明な録音には自動検出を選び、実際に話されている言語が分かっていて課題に関係する場合は、それを指定してください。結果の例は、検出または選択した言語と認識テキストを示します。言語設定は録音の認識を導くものであり、内容を別の言語に書き換える要求を定義するものではありません。

インタビューでは録音を日付、主題、出典の識別子と関連付けて保持し、返されたテキストを検索可能な文字起こしとして使います。講義では、曖昧な言葉をもっともらしい説明に黙って置き換えず、確認時に専門用語と数値表現を保持してください。歌では、特に音楽が音節を隠す箇所について、歌声を聴きながら認識された歌詞を確かめます。文言を音声と照合した後、文字起こしを別の要約、翻訳、編集工程の入力にできます。

ストリーミング認識とその範囲

同じASR系列は、音声が届く間の認識に対応します。開発元のストリーミング例は、保持された認識状態に音声チャンクを順次渡し、途中のテキストを表示してから、ストリームを終えて最終的な言語と文字起こしを得ます。ライブ字幕や進行中の文字起こしを準備する場合は、現在の増分テキストと完了した結果を区別してください。文書化されたストリーミング実装は、ストリーミングをバッチ推論と組み合わせず、タイムスタンプも返しません。時刻付きの文字起こしは別のフローを使います。これらは開発元の実装詳細であり、アプリケーションの通信方式やライブ字幕インターフェースについての約束ではありません。

別のアライナーによる単語・文字の時刻情報

Qwen3-ForcedAligner-0.6Bは、音声録音と提示されたテキストを対応付け、単語または文字単位の開始・終了時刻を予測します。どちらのQwen3-ASR版とも別のモデルです。ASRツールキットは、オフライン文字起こしフローでタイムスタンプを求める場合にこのアライナーを使え、既存のテキストと音声の組にも対応付けを実行できます。アライナーの文書化された範囲は、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、スペイン語の11言語です。明記された発話の範囲は最大5分で、アライナーの範囲であり、ASR文字起こしの5分上限ではありません。

字幕の準備では、まず文字起こしを得て確認し、適切な対応付けフローで元の録音に合わせます。返された開始・終了時刻で字幕区間を準備し、聴きながら境界を確認してください。対応付けは、提示された言葉を音声に結び付けるもので、誤った文字起こしが修正された証拠として扱ってはいけません。有用な成果物は、表す録音とのつながりを保持する、時刻情報付きの確認済み文字起こしです。

長い録音と実用上の制限

系列は長い音声の文字起こしに対応し、公式例は長い入力には生成テキストの容量を増やすよう利用者に指示しています。例示のトークン設定は設定の選択であり、共通するモデルのコンテキストや音声時間の上限ではありません。録音に合わせて出力容量を計画し、末尾が含まれているかを確認してください。名前、数量、言語の切り替わり、聞き取りにくい言葉、重なる発話を元の音と照合します。言語の対応範囲や難しい音声への堅牢性は、すべてのアクセント、録音、編曲で完全な文字起こしを保証しません。完全な結果は、認識した文言、その言語、音声との関係を保持し、検索、編集、後のコンテンツ処理に使えるものです。