Qwen: Qwen3 ASR 0.6B
Qwen3-ASR-0.6B — Qwen-нің сөйленген немесе әндетілген аудионы тілін анықтай отырып мәтінге айналдыратын ықшам сөйлеуді тану моделі. Ол осы модельдер тобының 30 тіл мен 22 диалектіні қамтуын сақтайды, офлайн және ағындық үдерістерді, сондай-ақ уақыт белгісі бар мәтінге арналған бөлек мәжбүрлі сәйкестендіруді қолданады.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Qwen3-ASR-0.6B — Qwen-нің Qwen3-ASR сөйлеуді тану модельдері тобының ықшам нұсқасы. Ол аудионы қабылдап, тіл белгісі бар транскрипция шығарады. Өндіруші 0.6B нұсқасын тану сапасы мен тиімділіктің тепе-теңдігіне бағыттайды, ал 1.7B — бөлек аталған ірі нұсқа. Екеуі де Qwen3-Omni моделінің аудионы түсіну мүмкіндіктеріне сүйенеді және құжатталған тану ауқымы мен бірыңғай офлайн/ағындық тәсілді ортақ қолданады. Ықшам нұсқа дауыс жазбаларымен жұмыс істеу, субтитр дайындау немесе жазбалардан іздеу үдерісіндегі транскрипция қадамын орындай алады.
Тілдер, диалектілер және қолдау көрсетілетін жазбалар
Qwen 30 тіл мен 22 қытай диалектісінде тану және тілді анықтау мүмкіндігін құжаттайды; әр өңірдің ағылшын акценттері де қолдау табады. Оның тілдер кестесінде қытай, ағылшын, кантон, араб, неміс, француз, испан, португал, индонезия, итальян, корей, орыс, тай, вьетнам, жапон, түрік, хинди, малай, нидерланд, швед, дат, фин, поляк, чех, филиппин, парсы, грек, венгр, македон және румын тілдері берілген. Танылатын аудио түрлеріне сөйлеу, ән айтқан дауыс және фондық музыкасы бар әндер кіреді. Кіші нұсқа осы модельдер тобының қамту ауқымын сақтайды; оның көлемі қолдау көрсетілетін тілдер тізімі өзгеше дегенді білдірмейді.
Офлайн тану және кіріс деректерін дайындау
Ресми құралдар жиынтығы аудионы файлға сілтеме, кодталған аудио немесе дискреттеу жиілігі көрсетілген дыбыс толқыны түрінде қабылдай алады. Ол бірнеше жазбаны офлайн өңдеуді, тілді автоматты анықтауды және қолдау көрсетілетін тілді нақты беруді қолдайды. Құжатталған нәтижеде тіл мен танылған мәтін болады. Қай тілде сөйлеп тұрғанын білсеңіз, сол тілді таңдаңыз; жинақта тілі белгісіз жазбалар болса, оны модельге анықтатыңыз. Транскрипцияны дұрыс бастапқы жазбамен байланыстыру үшін әр жазбаның идентификаторын нәтижесінің қасында сақтаңыз.
Дауыс жазбаларының жиынтығы үшін әр жазбаның нәтижесін бөлек сақтап, мәтінді тапсырмаларға немесе түйіндемеге айналдырмас бұрын есімдерді, сандарды және түсініксіз тіркестерді аудиомен салыстырып тексеріңіз. Ауызша айтылған нұсқаулықта транскрипция арқылы үзінділерді тауып, әр нұсқаудың тұжырымын тексеріңіз. Ән сөздерін тексергенде сөзді әннің мағынасына үйлескені үшін ғана қабылдамай, вокалдық партияны тыңдаңыз. Бұлар — мәтіндік нәтижені дайындау мен тексеру қадамдары; транскрипцияны түйіндеу, аудару немесе түсіндіру кейін бөлек әрекеттер ретінде орындалуы мүмкін.
Ағындық мәтін және жазбаны аяқтау
Qwen3-ASR офлайн және ағындық тану үшін бір модельді қолданады. Өндірушінің ағындық мысалында келіп түскен аудио бөліктері сақталатын тану күйін жаңартады, ал аяқтау қадамы толық мәтін мен тілді береді. Бұл жазба жүріп жатқанда транскрипцияны біртіндеп көрсетуді қолдайды. Аралық көріністі ағымдағы тану күйі ретінде қарастырыңыз; жазба аяқталғаннан кейін соңғы нәтижені сақтап, түзету үшін бастапқы аудионы қолжетімді ұстаңыз.
Құжатталған ағындық іске асыру сол ағындық үдерісте топтамалық инференсті немесе уақыт белгілерін қайтаруды қолдамайды. Сондықтан ағындық мәтін, офлайн транскрипциялар жинағы және уақыт белгісі бар субтитр дайындау — өндірушінің бөлек жұмыс үдерістері. Өндіруші мысалындағы аудио бөліктерінің өлшемдері мен токен параметрлері іске асыру үлгісін көрсетеді; олар кідіріске, қатар өңделетін сұраулар санына немесе аудио ұзақтығына қатысты әмбебап уәде емес. Үдерісті қажетті нәтижеге қарай таңдаңыз: жазба кезінде келетін мәтін, жинақ үшін аяқталған мәтін немесе уақыт шкаласына сәйкестендірілген мәтін.
Уақыт белгісі бар мәтін үшін Qwen3-ForcedAligner қолданылады
Qwen3-ForcedAligner-0.6B осы ASR нұсқасымен бірдей 0.6B көлем белгісін қолданғанымен, ол — бөлек сәйкестендіру моделі. Ол мәтін–аудио жұбын қабылдап, сөз немесе таңба деңгейіндегі басталу және аяқталу уақыттарын болжайды. Уақыт белгілері сұралғанда өндірушінің офлайн ASR құралдар жиынтығы оны шақыра алады. Оның құжатталған тілдер жиынына қытай, ағылшын, кантон, француз, неміс, итальян, жапон, корей, португал, орыс және испан тілдері кіреді; көрсетілген сәйкестендіру аралығы — бес минутқа дейінгі сөйлеу. Бұл тарлау тілдер жиыны мен бес минуттық аралық ASR моделінің жалпы транскрипция ауқымына емес, мәжбүрлі сәйкестендіруге тиесілі.
Субтитр үшін жазба тіліндегі тексерілген транскрипцияны дайындап, қолдау көрсетілетін үдеріс аясында оны аудиомен сәйкестендіріңіз және бастапқы жазбаны ойнатып, сегмент шекараларын тексеріңіз. Қолдануға жарамды субтитр нәтижесінде мәтін мен уақыт белгілері бірге сақталады. Транскрипциядағы сөз қате болса, уақыт аралығы оның дұрыстығын растайды деп ойламай, мәтінді аудиоға қарап түзетіңіз. Бұл бөлу мәселенің тануда, берілген мәтінде немесе субтитр шекарасының орналасуында екенін ажыратуға көмектеседі.
Ұзақ аудионы өңдеу нәтижесі және тануды тексеру
Qwen3-ASR модельдер тобы ұзақ жазбаларды қолдайды. Оның инференс мысалдарында ұзағырақ аудио үшін көбірек токен шығаруға мүмкіндік беру ұсынылады. Сондықтан транскрипция жазбаның соңына жеткенін және шығыс көлемінің шегі оны үзіп тастамағанын тексеріңіз. Жарияланған мысалдар әмбебап сандық контекст терезесін немесе ASR жазбасының ең ұзақ уақытын белгілемейді. Ұзақ жазбаны тексеруге дайындағанда пайдалы бөлімдерді бастапқы жазбадағы орындарымен байланыстырып ұстаңыз. Басқа дыбыс басып қалған сөздерді, тілдің ауысуын, қабаттасқан сөйлеуді, сирек кездесетін есімдерді және әндетілген буындарды бастапқы дыбыспен салыстырып тексеріңіз. Практикалық нәтиже — іздеуге немесе мазмұнмен кейінгі жұмыс қадамына дайын, тіл белгісі бар танылған мәтін; қажет болғанда уақыт белгілері бөлек сәйкестендіру үдерісі арқылы қосылады.
Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions qwen/qwen3-asr-0.6b
qwen/qwen3-asr-0.6bБастау
Qwen3-ASR-0.6B — Qwen-нің сөйленген немесе әндетілген аудионы тілін анықтай отырып мәтінге айналдыратын ықшам сөйлеуді тану моделі. Ол осы модельдер тобының 30 тіл мен 22 диалектіні қамтуын сақтайды, офлайн және ағындық үдерістерді, сондай-ақ уақыт белгісі бар мәтінге арналған бөлек мәжбүрлі сәйкестендіруді қолданады.
- Қабылданатын кіріс деректері
- Аудио
- Нәтижелер
- Мәтін
Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер
Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions
- Кіріс
audio- Шығыс
text
| Өріс | Түрі | Талап | Мәндер мен шектеулер | Әдепкі |
|---|---|---|---|---|
Өрісmodel | Түріstring | ТалапМіндетті | Мәндер мен шектеулер qwen/qwen3-asr-0.6b | Әдепкі— |
Өрісinput_audio | Түріobject | ТалапМіндетті | Мәндер мен шектеулер | Әдепкі— |
Өрісlanguage | Түріstring | ТалапМіндетті емес | Мәндер мен шектеулер | Әдепкі— |
Өрісtemperature | Түріnumber | ТалапМіндетті емес | Мәндер мен шектеулер Ең азы: 0 Ең көбі: 1 | Әдепкі— |
Өрісresponse_format | Түріstring | ТалапМіндетті емес | Мәндер мен шектеулер json, verbose_json | Әдепкіjson |
Өрісtimestamp_granularities | Түріarray | ТалапМіндетті емес | Мәндер мен шектеулер | Әдепкі— |
Өрісprovider | Түріobject | ТалапМіндетті емес | Мәндер мен шектеулер | Әдепкі— |
Әдіс параметрлері мен өмірлік циклі
| Параметр | Параметр талаптары |
|---|---|
Параметрcontent_type | Параметр талаптарыapplication/json |
Параметрrequired | Параметр талаптарыmodel, input_audio |
Параметрmaterial_types | Параметр талаптарыaudio |
Параметрmaterial_conditions | Параметр талаптарыНақты WAV файлын оқып, оның шын байттарын мәлімделген JSON input_audio үшін кодтаңыз; тек JSON қабылдайтын осы нақты декларация үшін multipart маршруты ұсынылмайды. |
Өмірлік цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Тарифтер
Қорытынды төлем қалай есептеледі
Көрсетілген тарифтер генерация басталғанға дейінгі құнын бағалауға арналған. Соңғы төлем бастапқы генерация үшін тіркелген құннан есептеледі. Нәтиженің өлшенген ұзақтығы мен болжамды көлемдер төлемге негіз болатын түпкілікті көлем болып саналмайды.
Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.
- Жылдам режим
- Көрсетілмеген Жылдам режим таңдалғанда
- Икемді режим
- Көрсетілмеген flex режимі таңдалғанда
- Ой қорытудың ең жоғары деңгейі
- Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда
Салыстыруға арналған болжамды мөлшерлемелер
Баптаулар бойынша бағалар
Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.
| Баптау | Мөлшерлемелер кестесі | Болжамды мөлшер | Есептеу бірлігі | Төлем |
|---|---|---|---|---|
| БаптауТокендердің базалық тарифтері | Мөлшерлемелер кестесіНегізгі мөлшерлеме | Болжамды мөлшер— | Есептеу бірлігі— | Төлем Кіріс · Кіріс токендері · Тек салыстыруға арналған бағалау — / 1K токен Шығыс · Шығыс токендері · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшті оқу · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшке жазу · Тек салыстыруға арналған бағалау — / 1K токен Кіріс · Кэшке жазу, 1 сағ · Тек салыстыруға арналған бағалау — / 1K токен |
| Баптаукіріс аудио секунды | Мөлшерлемелер кестесі— | Болжамды мөлшер— | Есептеу бірлігікіріс аудионың секунды үшін | Төлем Кіріс · кіріс аудио секунды · Тек салыстыруға арналған бағалау $0.00000666 кіріс аудионың секунды үшін |
| БаптауГенерацияның болжамды құны | Мөлшерлемелер кестесі— | Болжамды мөлшербір генерацияға арналған болжам | Есептеу бірлігі— | Төлем Шығыс · Генерацияның болжамды құны · Тек салыстыруға арналған бағалау $0.00000666 жасауға дейінгі бағалау Бұл бағалау қосымша төлем де, аяқталған генерация үшін белгіленген тұрақты тариф те емес. |
Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →
Сұрау мысалдары
Ailoot Ultra · Дыбысты мәтінге түсіру
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'qwen/qwen3-asr-0.6b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Нәтижелерді алу және сақтау
Ailoot Ultra · Дыбысты мәтінге түсіру
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Басқа мазмұнды оқу
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
Барлық дайын нәтижені сақтау
Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.
Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.
Бастапқы жауапты тексеру қажет болса
Есептерді салыстырып тексеру үшін қайтарылған X-Client-Request-ID мәнін сақтаңыз. Тек нақты қайтарылған task_id/asset_id мәндері арқылы немесе өзіңізге тиесілі медиатекадан оқыңыз; операция ID мәнінен тапсырманың URL мекенжайын ешқашан құрастырмаңыз және жасау сұрауын ешқашан қайта жібермеңіз.
Жауап өрістері
| Өріс | Түрі |
|---|---|
Өрісtext | Түрі |
Өрісusage | Түрі |
Өрісsegments[] | Түрі |
Өрісwords[] | Түрі |
Өрісspeaker fields | Түрі |
Өрісtimestamps | Түрі |
Балама атаулар
Модельдердің балама атаулары
Ailoot Ultra qwen/qwen3-asr-0.6b
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · Qwen: Qwen3 ASR 0.6B
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:audio→text- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Қандай шектеулер қолданылады?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:temperature.minimum:0;temperature.maximum:1