Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B – kompaktiška Qwen šnekos atpažinimo modelių šeimos Qwen3-ASR versija. Ji priima garsą ir pateikia tekstinę transkripciją su kalbos žyma. Gamintojas 0.6B pristato kaip atpažinimo kokybės ir efektyvumo pusiausvyrą, o 1.7B yra atskirai įvardyta didesnė versija. Abi remiasi Qwen3-Omni garso supratimu ir turi tą pačią dokumentuotą atpažinimo aprėptį bei bendrą nesrautinio ir srautinio veikimo metodą. Kompaktiška versija gali atlikti transkribavimo etapą balso užrašų, subtitrų rengimo ar įrašų, kuriuose galima ieškoti, apdorojimo procese.

Kalbos, tarmės ir palaikomi įrašai

Qwen dokumentuoja 30 kalbų ir 22 kinų tarmių atpažinimą bei kalbos nustatymą, taip pat įvairių regionų anglų kalbos akcentų palaikymą. Kalbų lentelėje išvardytos kinų, anglų, kantoniečių, arabų, vokiečių, prancūzų, ispanų, portugalų, indoneziečių, italų, korėjiečių, rusų, tajų, vietnamiečių, japonų, turkų, hindi, malajų, olandų, švedų, danų, suomių, lenkų, čekų, filipiniečių, persų, graikų, vengrų, makedonų ir rumunų kalbos. Atpažįstami garso tipai apima šneką, dainuojamą balsą ir dainas su fonine muzika. Mažesnė versija išlaiko šią šeimos aprėptį; jos dydis nereiškia kitokio palaikomų kalbų sąrašo.

Nesrautinis atpažinimas ir įvesties paruošimas

Oficialus įrankių rinkinys gali priimti garsą pagal failo nuorodą, užkoduotą garsą arba garso bangos signalą su jo diskretizavimo dažniu. Jis palaiko nesrautinį kelių įrašų apdorojimą, automatinį kalbos nustatymą ir konkrečios palaikomos kalbos nurodymą. Dokumentuotas rezultatas apima kalbą ir atpažintą tekstą. Jei žinote, kokia kalba kalbama, pasirinkite ją; jei rinkinyje yra nežinomų kalbų, leiskite jas nustatyti modeliui. Kiekvieno įrašo identifikatorių laikykite šalia jo rezultato, kad tekstą būtų galima susieti su teisingu šaltiniu.

Balso užrašų rinkiniui išsaugokite atskirą kiekvieno užrašo rezultatą ir, prieš paversdami tekstą užduotimis ar santrauka, pagal įrašą patikrinkite vardus ir pavadinimus, skaičius bei neaiškias frazes. Įgarsintai pamokai naudokite transkripciją, kad rastumėte ištraukas ir patikrintumėte kiekvienos instrukcijos formuluotę. Tikrindami dainos žodžius klausykite vokalo linijos, o ne priimkite žodį vien todėl, kad jis tinka dainos prasmei. Tai teksto rezultato paruošimo ir tikrinimo etapai; jo apibendrinimas, vertimas ar interpretavimas gali būti atliekami vėliau kaip atskiros operacijos.

Srautinis tekstas ir įrašo užbaigimas

Qwen3-ASR nesrautiniam ir srautiniam atpažinimui naudoja tą patį modelį. Gamintojo srautiniame pavyzdyje gaunami garso blokai atnaujina išsaugomą atpažinimo būseną, o užbaigimo veiksmas pateikia galutinį tekstą ir kalbą. Tai leidžia tekstą rodyti palaipsniui, kas naudinga vykstant transkribavimui. Tarpinį vaizdą laikykite dabartine atpažinimo būsena, o įrašui pasibaigus išsaugokite galutinį rezultatą ir pasilikite pradinį garsą galimiems pataisymams.

Dokumentuota srautinė realizacija tame srautiniame procese nepalaiko paketinio apdorojimo ar laiko žymų grąžinimo. Todėl srautinis tekstas, nesrautinių transkripcijų rinkinys ir teksto su laiko žymomis paruošimas subtitrams yra atskiri gamintojo procesai. Gamintojo pavyzdžiuose naudojami blokų dydžiai ir žetonų nustatymai iliustruoja realizaciją, o ne žada universalią delsą, lygiagretumą ar garso trukmę. Procesą pasirinkite pagal tai, ar reikia teksto įrašymo metu, baigto rinkinio teksto, ar teksto, sulygiuoto su laiko juosta.

Tekstui su laiko žymomis naudojamas Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B yra atskiras lygiavimo modelis, nors jo dydžio žyma 0.6B sutampa su šios ASR versijos žyma. Jis priima teksto ir garso porą ir prognozuoja žodžių ar simbolių pradžios bei pabaigos laikus. Gamintojo nesrautiniai ASR įrankiai gali jį iškviesti, kai prašoma laiko žymų. Dokumentuotas jo kalbų rinkinys apima kinų, anglų, kantoniečių, prancūzų, vokiečių, italų, japonų, korėjiečių, portugalų, rusų ir ispanų kalbas, o nurodyta lygiavimo aprėptis – iki penkių minučių kalbos. Šis siauresnis kalbų rinkinys ir penkių minučių intervalas priklauso priverstiniam lygiavimui, o ne bendrai ASR modelio transkribavimo aprėpčiai.

Subtitrams paruoškite patikrintą transkripciją įrašo kalba, sulygiuokite ją ten, kur taikomas palaikomas procesas, ir atkurdami šaltinį patikrinkite segmentų ribas. Naudingas subtitrų rezultatas išlaiko kartu tekstą ir jo laikus. Jei transkripcijos žodis klaidingas, pataisykite jį pagal garsą, o ne manykite, kad laiko intervalas patvirtina jo teisingumą. Šis atskyrimas padeda nustatyti, ar problema kilo atpažįstant, pateiktame tekste, ar parenkant subtitro ribą.

Ilgo garso išvestis ir atpažinimo tikrinimas

Qwen3-ASR šeima palaiko ilgus įrašus. Jos veikimo pavyzdžiuose patariama ilgesniam garsui leisti daugiau generuojamų žetonų, todėl įsitikinkite, kad transkripcija pasiekia įrašo pabaigą ir jos nenutraukė išvesties limitas. Paskelbti pavyzdžiai nenustato universalaus skaitinio konteksto lango ar maksimalios ASR įrašo trukmės. Tvarkydami ilgą įrašą tikrinimui išsaugokite naudingų dalių ryšį su jų vietomis šaltinyje. Pagal pradinį garsą patikrinkite užgožtus žodžius, kalbos pasikeitimus, persidengiančią šneką, neįprastus vardus ir pavadinimus bei išdainuotus skiemenis. Praktinis rezultatas – atpažintas tekstas su kalbos žyma, tinkamas paieškai ar tolesniam turinio etapui, o prireikus laiko duomenys pridedami atskiru lygiavimo procesu.