Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B ialah model pengecaman pertuturan Qwen yang lebih besar dalam keluarga Qwen3-ASR. Model menerima audio dan mengembalikan teks yang dikenal pasti bersama label bahasa. Keluarga dibina atas asas pemahaman audio Qwen3-Omni dan menggunakan satu model ASR untuk pengecaman luar talian serta penstriman. Edisi 1.7B menekankan kualiti pengecaman, manakala edisi 0.6B yang dinamakan secara berasingan menekankan kecekapan. Edisi ini kekal sebagai pilihan berbeza walaupun berkongsi liputan bahasa dan aliran pengecaman yang didokumenkan.

Pengenalpastian bahasa dan liputan audio

Pengeluar menyenaraikan 30 bahasa dan 22 dialek Cina serta aksen Inggeris dari beberapa rantau. Senarai bahasa merangkumi 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 disokong termasuk pertuturan, suara nyanyian dan lagu dengan muzik latar. Keupayaan ini menjadikan transkrip berguna untuk temu bual, kuliah, rakaman suara dan semakan lirik, dengan audio asal disimpan untuk memeriksa petikan sukar.

Menyediakan audio dan memperoleh transkrip

Kit alat pengeluar menerima rujukan fail audio, audio dikodkan atau bentuk gelombang bersama kadar sampelnya, dan aliran luar taliannya boleh memproses koleksi rakaman. Kit boleh mengesan bahasa secara automatik atau menggunakan bahasa disokong yang ditentukan. Pilih pengesanan automatik untuk rakaman tidak diketahui; berikan bahasa yang benar-benar dituturkan apabila diketahui dan relevan dengan tugas. Hasil contoh menunjukkan bahasa dikesan atau dipilih serta teks yang dikenal pasti. Tetapan bahasa membimbing pengecaman rakaman, bukannya menentukan permintaan menulis semula kandungannya dalam bahasa lain.

Untuk temu bual, kekalkan rakaman dikaitkan dengan tarikh, subjek dan pengecam sumbernya, kemudian gunakan teks yang dikembalikan sebagai transkrip boleh dicari. Untuk kuliah, kekalkan istilah teknikal dan ungkapan berangka semasa semakan, bukannya menggantikan perkataan tidak jelas secara senyap dengan penerangan munasabah. Untuk lagu, semak lirik yang dikenal pasti sambil mendengar jalur vokal, terutama apabila muzik menutup suku kata. Transkrip boleh menjadi input bagi langkah ringkasan, terjemahan atau editorial berasingan selepas perkataannya disemak terhadap audio.

Pengecaman penstriman dan skopnya

Keluarga ASR yang sama menyokong pengecaman semasa audio tiba. Contoh penstriman pengeluar menghantar cebisan audio berturut-turut ke keadaan pengecaman yang dikekalkan, memaparkan teks interim, kemudian menamatkan strim untuk mendapatkan bahasa serta transkrip akhir. Bezakan teks tambahan semasa daripada hasil lengkap apabila menyediakan kapsyen langsung atau transkrip berjalan. Implementasi penstriman yang didokumenkan tidak menggabungkan penstriman dengan inferens berkelompok dan tidak mengembalikan cap masa; transkrip bermasa menggunakan aliran lain. Ini ialah butiran implementasi pengeluar, bukannya janji tentang pengangkutan data aplikasi atau antara muka kapsyen langsung.

Masa perkataan atau aksara dengan penjajar berasingan

Qwen3-ForcedAligner-0.6B menjajarkan rakaman audio dengan teks yang dibekalkan dan meramalkan masa mula serta tamat pada peringkat perkataan atau aksara. Model ini berasingan daripada kedua-dua edisi Qwen3-ASR. Kit alat ASR boleh menggunakan penjajar itu apabila cap masa diminta dalam aliran transkripsi luar taliannya, atau penjajaran boleh dijalankan pada pasangan teks–audio sedia ada. Liputan penjajar yang didokumenkan ialah 11 bahasa: Cina, Inggeris, Kantonis, Perancis, Jerman, Itali, Jepun, Korea, Portugis, Rusia dan Sepanyol. Rentang pertuturan yang dinyatakan ialah sehingga lima minit; ini skop penjajar, bukan had lima minit bagi transkripsi ASR.

Untuk persediaan sari kata, dapatkan dan semak transkrip dahulu, kemudian jajarkannya kepada rakaman sumber apabila aliran penjajaran itu sesuai. Gunakan masa mula dan tamat yang dikembalikan untuk menyediakan segmen kapsyen dan periksa sempadannya sambil mendengar. Penjajaran mengaitkan perkataan yang dibekalkan dengan audio; ia tidak patut dianggap bukti bahawa transkrip salah telah dibetulkan. Artifak berguna ialah transkrip disemak dengan maklumat masa yang kekal berkait dengan rakaman yang diterangkan.

Rakaman panjang dan had praktikal

Keluarga menyokong transkripsi audio panjang, dan contoh rasmi mengarahkan pengguna membenarkan lebih banyak teks dijana untuk input lebih panjang. Tetapan token contoh itu ialah pilihan konfigurasi, bukannya had konteks model atau tempoh audio universal. Rancang peruntukan output berdasarkan rakaman dan semak bahawa bahagian akhir hadir. Semak nama, kuantiti, perubahan bahasa, perkataan terlindung dan pertuturan bertindih terhadap bunyi asal. Liputan bahasa dan keteguhan terhadap audio mencabar tidak menjamin transkrip sempurna bagi setiap aksen, rakaman atau susunan muzik. Hasil lengkap mengekalkan perkataan yang dikenal pasti, bahasanya dan hubungannya dengan audio supaya boleh dicari, disunting atau digunakan dalam aliran kandungan kemudian.