Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B ialah edisi kompak dalam keluarga pengecaman pertuturan Qwen3-ASR daripada Qwen. Ia menerima audio dan menghasilkan transkrip dengan label bahasa. Pengeluar menekankan keseimbangan antara kualiti pengecaman dengan kecekapan bagi 0.6B, manakala 1.7B ialah edisi lebih besar dengan nama tersendiri. Kedua-duanya memanfaatkan pemahaman audio Qwen3-Omni dan berkongsi liputan pengecaman yang didokumenkan serta pendekatan luar talian/penstriman yang seragam. Edisi kompak boleh menyediakan langkah transkripsi dalam aliran kerja untuk nota suara, persediaan kapsyen atau rakaman yang boleh dicari.

Bahasa, dialek dan rakaman yang disokong

Qwen mendokumenkan pengecaman dan pengenalpastian bahasa untuk 30 bahasa dan 22 dialek Cina, dengan sokongan loghat Inggeris dari pelbagai wilayah. Jadual bahasanya menyenaraikan bahasa Cina, Inggeris, Kantonis, Arab, Jerman, Perancis, Sepanyol, Portugis, Indonesia, Itali, Korea, Rusia, Thai, Vietnam, Jepun, Turki, Hindi, Melayu, Belanda, Sweden, Denmark, Finland, Poland, Czech, Filipino, Parsi, Yunani, Hungary, Macedonia dan Romania. Jenis audio yang dikenal pasti termasuk pertuturan, suara nyanyian dan lagu dengan muzik latar. Edisi lebih kecil mengekalkan liputan keluarga ini; saiznya tidak bermaksud senarai bahasa yang disokong adalah berbeza.

Pengecaman luar talian dan persediaan input

Kit alat rasmi boleh menerima audio melalui rujukan fail, audio yang dikodkan atau bentuk gelombang berserta kadar pensampelannya. Ia menyokong pemprosesan luar talian bagi berbilang rakaman, pengesanan bahasa secara automatik dan penetapan bahasa yang disokong. Hasil yang didokumenkan mengandungi bahasa dan teks yang dikenal pasti. Pilih bahasa yang dituturkan apabila anda mengetahuinya, atau biarkan model mengenal pastinya apabila koleksi mengandungi bahasa yang tidak diketahui. Simpan pengecam setiap rakaman bersama hasilnya supaya transkrip boleh dijejak semula kepada sumber yang betul.

Untuk sekumpulan nota suara, simpan hasil berasingan bagi setiap nota dan semak nama, angka serta frasa yang tidak jelas dengan merujuk rakaman sebelum menukar teks kepada tugasan atau ringkasan. Untuk tutorial lisan, gunakan transkrip bagi mencari petikan dan menyemak perkataan dalam setiap arahan. Untuk nyanyian, dengar bahagian vokal semasa menyemak lirik, bukannya menerima sesuatu perkataan hanya kerana ia masuk akal dalam lagu. Ini ialah langkah persediaan dan semakan untuk artifak teks; peringkasan, penterjemahan atau pentafsiran transkrip boleh menyusul sebagai operasi berasingan.

Teks penstriman dan memuktamadkan rakaman

Qwen3-ASR menggunakan model yang sama untuk pengecaman luar talian dan penstriman. Dalam contoh penstriman pengeluar, cebisan audio yang masuk mengemas kini keadaan pengecaman yang dikekalkan, dan langkah pemuktamadan menghasilkan teks serta bahasa yang lengkap. Ini menyokong paparan beransur-ansur yang berguna untuk transkrip yang sedang berlangsung. Anggap paparan sementara sebagai keadaan pengecaman semasa dan simpan hasil akhir selepas rakaman tamat, dengan sumber audio tersedia untuk pembetulan.

Pelaksanaan penstriman yang didokumenkan tidak menyokong inferens kelompok atau pengembalian cap masa dalam aliran penstriman tersebut. Oleh itu, teks penstriman, koleksi transkripsi luar talian dan persediaan kapsyen dengan maklumat masa ialah aliran kerja pengeluar yang berbeza. Saiz cebisan dan tetapan token dalam contoh pengeluar menggambarkan suatu pelaksanaan; ia bukannya jaminan universal tentang latensi, keserentakan atau panjang audio. Pilih aliran kerja berdasarkan sama ada hasil yang berguna ialah teks yang tiba semasa rakaman, teks lengkap untuk koleksi atau teks yang dijajarkan pada garis masa.

Teks dengan maklumat masa menggunakan Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B ialah model penjajaran berasingan, walaupun berkongsi label saiz 0.6B dengan edisi ASR ini. Ia menerima pasangan teks–audio dan meramalkan masa mula serta tamat pada peringkat perkataan atau aksara. Kit alat ASR luar talian pengeluar boleh memanggilnya apabila cap masa diminta. Set bahasa yang didokumenkan untuknya ialah Cina, Inggeris, Kantonis, Perancis, Jerman, Itali, Jepun, Korea, Portugis, Rusia dan Sepanyol, dan julat penjajaran yang dinyatakan ialah sehingga lima minit pertuturan. Set bahasa yang lebih terhad dan julat lima minit itu tergolong dalam penjajaran paksa, bukannya liputan transkripsi umum model ASR.

Untuk sari kata, sediakan transkrip yang telah disemak dalam bahasa rakaman, jajarkannya melalui aliran kerja yang disokong apabila berkenaan dan periksa sempadan segmen sambil memainkan rakaman sumber. Artifak kapsyen yang boleh digunakan mengekalkan perkataan dan maklumat masanya bersama. Jika perkataan dalam transkrip tidak betul, betulkan perkataan itu dengan merujuk audio, bukannya menganggap julat masa mengesahkannya. Pemisahan ini menjelaskan sama ada masalah terletak pada pengecaman, teks yang diberikan atau penempatan sempadan kapsyen.

Output audio panjang dan semakan pengecaman

Keluarga Qwen3-ASR menyokong rakaman panjang. Contoh inferensnya menyarankan supaya lebih banyak token yang dijana dibenarkan untuk audio lebih panjang, jadi pastikan transkripsi sampai ke penghujung rakaman dan tidak terpotong akibat had output. Contoh yang diterbitkan tidak menetapkan tetingkap konteks bernombor yang universal atau tempoh maksimum rakaman ASR. Kekalkan perkaitan bahagian yang berguna dengan kedudukannya dalam sumber semasa menyusun rakaman panjang untuk semakan. Semak perkataan yang kurang jelas, pertukaran bahasa, pertuturan bertindih, nama luar biasa dan suku kata yang dinyanyikan dengan merujuk bunyi asal. Hasil praktikalnya ialah teks yang dikenal pasti dengan label bahasa, sedia untuk carian atau langkah kandungan seterusnya, dengan maklumat masa ditambah melalui aliran kerja penjajaran berasingan apabila diperlukan.