Qwen: Qwen3 ASR 1.7B
Qwen3-ASR-1.7B kalbą ir dainavimą paverčia tekstu bei nustato kalbą. Qwen dokumentuoja 30 kalbų, 22 kinų tarmes ir nesrautinį arba srautinį atpažinimą; žodžių laiko žymėjimas naudoja atskirą Qwen3-ForcedAligner darbo eigą.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Qwen3-ASR-1.7B yra didesnis Qwen kalbos atpažinimo modelis Qwen3-ASR šeimoje. Jis priima garsą ir grąžina atpažintą tekstą su kalbos žyma. Šeima remiasi Qwen3-Omni garso supratimo pagrindu ir naudoja vieną ASR modelį nesrautiniam bei srautiniam atpažinimui. 1.7B versija pabrėžia atpažinimo kokybę, o atskirai įvardyta 0.6B versija – efektyvumą. Šios versijos lieka atskiri pasirinkimai, nors turi bendrą dokumentuotą kalbų aprėptį ir atpažinimo darbo eigas.
Kalbos nustatymas ir garso aprėptis
Kūrėjas išvardija 30 kalbų ir 22 kinų tarmes bei įvairių regionų anglų kalbos akcentus. Kalbų sąrašas apima 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. Palaikomi garso tipai apima kalbą, dainuojamą balsą ir dainas su fonine muzika. Šios galimybės daro transkriptą naudingą interviu, paskaitoms, balso įrašams ir dainų žodžių peržiūrai, išsaugant originalų garsą sudėtingoms ištraukoms tikrinti.
Garso parengimas ir transkripto gavimas
Kūrėjo įrankių rinkinys priima garso failo nuorodą, užkoduotą garsą arba bangos formą kartu su diskretizavimo dažniu, o nesrautinė darbo eiga gali apdoroti įrašų rinkinį. Jis gali automatiškai nustatyti kalbą arba naudoti nurodytą palaikomą kalbą. Nežinomam įrašui rinkitės automatinį nustatymą; pateikite tikrą sakytinę kalbą, kai ji žinoma ir susijusi su užduotimi. Pavyzdinis rezultatas parodo nustatytą ar pasirinktą kalbą ir atpažintą tekstą. Kalbos nustatymas nukreipia įrašo atpažinimą, o ne apibrėžia prašymą perrašyti jo turinį kita kalba.
Interviu įrašą laikykite susietą su jo data, tema ir šaltinio identifikatoriumi, tada naudokite grąžintą tekstą kaip paieškai tinkamą transkriptą. Paskaitai peržiūros metu išlaikykite techninius terminus ir skaitines išraiškas, užuot tyliai pakeitę neaiškius žodžius tikėtinu paaiškinimu. Dainai tikrinkite atpažintus žodžius klausydamiesi vokalo, ypač ten, kur muzika uždengia skiemenį. Transkriptas gali tapti atskiro apibendrinimo, vertimo ar redagavimo žingsnio įvestimi, kai jo formuluotės patikrintos pagal garsą.
Srautinis atpažinimas ir jo apimtis
Ta pati ASR šeima palaiko atpažinimą, kai garsas gaunamas. Kūrėjo srautinis pavyzdys nuosekliai pateikia garso dalis išlaikomai atpažinimo būsenai, rodo tarpinį tekstą ir tada užbaigia srautą, kad būtų gauta galutinė kalba bei transkriptas. Rengdami tiesioginius subtitrus ar besitęsiantį transkriptą atskirkite dabartinį palaipsniui papildomą tekstą nuo užbaigto rezultato. Dokumentuotas srautinis įgyvendinimas nesujungia srautinio perdavimo su paketiniu išvadų generavimu ir negrąžina laiko žymų; transkriptas su laikais naudoja kitą darbo eigą. Tai kūrėjo įgyvendinimo detalės, o ne pažadas apie programos perdavimo būdą ar tiesioginių subtitrų sąsają.
Žodžių ar simbolių laikai su atskiru lygiavimo modeliu
Qwen3-ForcedAligner-0.6B sulygiuoja garso įrašą su pateiktu tekstu ir prognozuoja žodžių ar simbolių pradžios bei pabaigos laikus. Tai atskiras modelis nuo abiejų Qwen3-ASR versijų. ASR įrankių rinkinys gali naudoti šį lygiavimo modelį, kai prašoma laiko žymų nesrautinėje transkribavimo eigoje, arba lygiavimą galima atlikti su esama teksto–garso pora. Dokumentuota lygiavimo modelio aprėptis yra 11 kalbų: kinų, anglų, kantoniečių, prancūzų, vokiečių, italų, japonų, korėjiečių, portugalų, rusų ir ispanų. Nurodyta kalbos atkarpa yra iki penkių minučių; tai lygiavimo modelio apimtis, o ne penkių minučių ASR transkribavimo riba.
Subtitrų parengimui pirmiausia gaukite ir peržiūrėkite transkriptą, tada sulygiuokite jį su šaltinio įrašu, kur tokia lygiavimo eiga tinkama. Grąžintus pradžios ir pabaigos laikus naudokite subtitrų segmentams parengti ir klausydamiesi tikrinkite jų ribas. Lygiavimas susieja pateiktus žodžius su garsu; jo nereikėtų laikyti neteisingo transkripto ištaisymo įrodymu. Naudingas artefaktas yra patikrintas transkriptas su laiko informacija, išlaikantis ryšį su aprašomu įrašu.
Ilgi įrašai ir praktinės ribos
Šeima palaiko ilgo garso transkribavimą, o oficialūs pavyzdžiai nurodo skirti daugiau generuojamo teksto ilgesnei įvesčiai. Jų pavyzdiniai žetonų nustatymai yra konfigūracijos pasirinkimai, o ne universali modelio konteksto ar garso trukmės riba. Išvesties biudžetą planuokite pagal įrašą ir patikrinkite, ar yra pabaiga. Vardus, kiekius, kalbos pokyčius, užgožtus žodžius ir persidengiančią kalbą tikrinkite pagal originalų garsą. Kalbų aprėptis ir atsparumas sudėtingam garsui negarantuoja nepriekaištingo transkripto kiekvienam akcentui, įrašui ar muzikinei aranžuotei. Išsamus rezultatas išlaiko atpažintą tekstą, jo kalbą ir ryšį su garsu, kad jame būtų galima atlikti paiešką, jį redaguoti ar naudoti vėlesnėje turinio darbo eigoje.
Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b
qwen/qwen3-asr-1.7bPradžia
Qwen3-ASR-1.7B kalbą ir dainavimą paverčia tekstu bei nustato kalbą. Qwen dokumentuoja 30 kalbų, 22 kinų tarmes ir nesrautinį arba srautinį atpažinimą; žodžių laiko žymėjimas naudoja atskirą Qwen3-ForcedAligner darbo eigą.
- Leidžiamos įvestys
- Garsas
- Rezultatai
- Tekstas
Prieinama Ailoot · įvestys ir metodai
Ailoot Ultra · Transkribavimas POST /v1/audio/transcriptions
- Įvestis
audio- Išvestis
text
| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos qwen/qwen3-asr-1.7b | Numatyta— |
Laukasinput_audio | Tipasobject | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukaslanguage | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 0 Didžiausia reikšmė: 1 | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos json, verbose_json | Numatytajson |
Laukastimestamp_granularities | Tipasarray | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Metodo parametrai ir gyvavimo ciklas
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, input_audio |
Parametrasmaterial_types | Specifikacijaaudio |
Parametrasmaterial_conditions | SpecifikacijaNuskaitykite tikrą WAV failą ir užkoduokite tikruosius jo baitus deklaruotai JSON input_audio įvesčiai; šiai tiksliai vien JSON skirtai deklaracijai multipart maršrutas nesiūlomas. |
Gyvavimo ciklas: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktiškai grąžinta task_id reikšmė arba medijos bibliotekos įrašas
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Planai
Kaip apskaičiuojamas galutinis mokestis
Rodomi įkainiai leidžia įvertinti kainą prieš generavimą. Galutinė suma apskaičiuojama pagal užfiksuotą pradinio generavimo kainą. Išmatuota rezultato trukmė ir prognozuoti kiekiai nėra galutinis apmokestinamas kiekis.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
- Spartusis režimas
- Nenurodyta Pasirinkus spartųjį režimą
- Flex režimas
- Nenurodyta Pasirinkus flex režimą
- Didžiausios samprotavimo pastangos
- Nenurodyta Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)
Numatomi įkainiai palyginimui
Kainos pagal konfigūraciją
Kiekvieną mokestį susiekite su nurodytomis sąlygomis. Kiekvienam alternatyvių konfigūracijų rinkiniui taikykite vieną įkainį.
| Konfigūracija | Įkainių lentelė | Numatomas kiekis | Apskaitos vienetas | Mokestis |
|---|---|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Numatomas kiekis— | Apskaitos vienetas— | Mokestis Įvestis · Įvesties tokenai · Įvertis tik palyginimui — / 1K tokenų Išvestis · Išvesties tokenai · Įvertis tik palyginimui — / 1K tokenų Įvestis · Talpyklos skaitymas · Įvertis tik palyginimui — / 1K tokenų Įvestis · Rašymas į talpyklą · Įvertis tik palyginimui — / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val · Įvertis tik palyginimui — / 1K tokenų |
| Konfigūracijaįvesties garso sekundė | Įkainių lentelė— | Numatomas kiekis— | Apskaitos vienetasuž įvesties garso sekundę | Mokestis Įvestis · įvesties garso sekundė · Įvertis tik palyginimui $0.000015 už įvesties garso sekundę |
| KonfigūracijaNumatoma generavimo kaina | Įkainių lentelė— | Numatomas kiekisvieno generavimo įvertis | Apskaitos vienetas— | Mokestis Išvestis · Numatoma generavimo kaina · Įvertis tik palyginimui $0.000015 įvertis prieš generavimą Šis įvertis nėra papildomas mokestis ar fiksuotas užbaigto generavimo įkainis. |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
Užklausų pavyzdžiai
Ailoot Ultra · Transkribavimas
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Gauti ir išsaugoti rezultatus
Ailoot Ultra · Transkribavimas
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Kito turinio skaitymas
set -eu
: "${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.
Išsaugoti visus baigtus rezultatus
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą atsakymą ir antraštes, visus faktiškai gautus rezultatus, pradinius grąžintus identifikatorius ir visus naudojimo apskaitos laukus. Atkurkite prieigą prie pradinės operacijos pakartotinai neteikdami kūrimo užklausos.
Jei reikia patikrinti pradinį atsakymą
Išsaugokite grąžintą X-Client-Request-ID duomenims sutikrinti. Tikrinkite tik faktiškai grąžintas task_id/asset_id reikšmes arba jums priklausančią medijos biblioteką; niekada nekurkite užduoties URL iš operacijos ID ir niekada pakartotinai neteikite kūrimo užklausos.
Atsakymo laukai
| Laukas | Tipas |
|---|---|
Laukastext | Tipas |
Laukasusage | Tipas |
Laukassegments[] | Tipas |
Laukaswords[] | Tipas |
Laukasspeaker fields | Tipas |
Laukastimestamps | Tipas |
Pseudonimai
Modelių pseudonimai
Ailoot Ultra qwen/qwen3-asr-1.7b
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · Qwen: Qwen3 ASR 1.7B
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:audio→text- Kokius laukus naudoja užklausa?
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Kokie apribojimai taikomi?
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:temperature.minimum:0;temperature.maximum:1