Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B er den kompakte utgaven i Qwens Qwen3-ASR-familie for talegjenkjenning. Den tar imot lyd og produserer en transkripsjon med en språketikett. Produsenten posisjonerer 0.6B rundt balansen mellom gjenkjenningskvalitet og effektivitet, mens 1.7B er den separat navngitte, større utgaven. Begge bygger på lydforståelsen i Qwen3-Omni og deler den dokumenterte gjenkjenningsdekningen og en samlet tilnærming til offlinebehandling og strømming. Den kompakte utgaven kan levere transkripsjonstrinnet i en arbeidsflyt for talenotater, klargjøring av undertekster eller søkbare opptak.

Språk, dialekter og støttede opptak

Qwen dokumenterer gjenkjenning og språkidentifikasjon for 30 språk og 22 kinesiske dialekter, med støtte for engelske aksenter fra ulike regioner. Språktabellen oppgir kinesisk, engelsk, kantonesisk, arabisk, tysk, fransk, spansk, portugisisk, indonesisk, italiensk, koreansk, russisk, thai, vietnamesisk, japansk, tyrkisk, hindi, malayisk, nederlandsk, svensk, dansk, finsk, polsk, tsjekkisk, filippinsk, persisk, gresk, ungarsk, makedonsk og rumensk. De gjenkjente lydtypene omfatter tale, sangstemme og sanger med bakgrunnsmusikk. Den mindre utgaven beholder denne familiedekningen; størrelsen innebærer ikke en annen liste over støttede språk.

Offlinegjenkjenning og klargjøring av inndata

Det offisielle verktøysettet kan ta imot lyd via en filreferanse, kodet lyd eller en bølgeform med tilhørende samplingsfrekvens. Det støtter offlinebehandling av flere opptak, automatisk språkdeteksjon og angivelse av et støttet språk. Det dokumenterte resultatet inneholder språket og den gjenkjente teksten. Velg talespråket når du kjenner det, eller la modellen identifisere det når en samling inneholder ukjente språk. Behold identifikatoren til hvert opptak ved siden av resultatet, slik at en transkripsjon kan spores tilbake til riktig kilde.

For en samling talenotater beholder du et separat resultat for hvert notat og kontrollerer navn, tall og uklare formuleringer mot opptaket før du gjør teksten om til oppgaver eller en oppsummering. For en muntlig veiledning bruker du transkripsjonen til å finne passasjer og kontrollere ordlyden i hver instruksjon. Ved sang lytter du til vokallinjen når du kontrollerer teksten, fremfor å godta et ord bare fordi det gir mening i sangen. Dette er klargjørings- og gjennomgangstrinn for tekstresultatet; oppsummering, oversettelse eller tolkning av transkripsjonen kan følge som separate operasjoner.

Strømmende tekst og sluttføring av et opptak

Qwen3-ASR bruker samme modell for offlinegjenkjenning og strømmende gjenkjenning. I produsentens strømmingseksempel oppdaterer innkommende lydbiter en gjenkjenningstilstand som beholdes, og et sluttføringstrinn gir den ferdige teksten og språket. Dette støtter en fortløpende visning som er nyttig for en løpende transkripsjon. Behandle den foreløpige visningen som den gjeldende gjenkjenningstilstanden, og behold sluttresultatet når opptaket er ferdig, med lydkilden tilgjengelig for korrigering.

Den dokumenterte strømmingsimplementasjonen støtter ikke batchinferens eller retur av tidsstempler i denne strømmingsflyten. Strømmende tekst, en samling offlinetranskripsjoner og klargjøring av tidsfestede undertekster er derfor ulike produsentarbeidsflyter. Produsentens eksempelstørrelser for lydbiter og tokeninnstillinger illustrerer en implementasjon; de er ikke universelle løfter om forsinkelse, samtidighet eller lydlengde. Velg arbeidsflyt ut fra om det nyttige resultatet er tekst som kommer mens et opptak pågår, ferdig tekst for en samling eller tekst justert mot en tidslinje.

Tidsfestet tekst bruker Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B er en separat modell for tidsjustering, selv om den deler størrelsesbetegnelsen 0.6B med denne ASR-utgaven. Den tar et tekst–lyd-par og forutsier start- og sluttider på ord- eller tegnnivå. Produsentens offlineverktøysett for ASR kan kalle den når det bes om tidsstempler. Det dokumenterte språksettet er kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk, og det oppgitte justeringsspennet er opptil fem minutter med tale. Dette smalere språksettet og spennet på fem minutter gjelder tvungen tidsjustering, ikke ASR-modellens generelle transkripsjonsdekning.

For undertekster klargjør du en gjennomgått transkripsjon på opptakets språk, tidsjusterer den der den støttede arbeidsflyten gjelder, og undersøker segmentgrensene mens du spiller av kilden. Et brukbart undertekstresultat holder ordlyd og tidsangivelser sammen. Hvis et ord i transkripsjonen er feil, korrigerer du ordlyden mot lyden fremfor å anta at et tidsintervall bekrefter den. Dette skillet gjør det tydelig om et problem ligger i gjenkjenningen, i den oppgitte teksten eller i plasseringen av en undertekstgrense.

Utdata fra lang lyd og kontroll av gjenkjenningen

Qwen3-ASR-familien støtter lange opptak. Inferenseksemplene anbefaler å tillate flere genererte tokener for lengre lyd, så sørg for at transkripsjonen når slutten av opptaket, og at en grense for utdata ikke har kuttet den av. De publiserte eksemplene fastslår ikke et universelt, numerisk kontekstvindu eller en maksimal varighet for ASR-opptak. Behold nyttige seksjoner knyttet til sine kildeposisjoner når du organiserer et langt opptak for gjennomgang. Kontroller tildekkede ord, språkskifter, overlappende tale, uvanlige navn og sungne stavelser mot originallyden. Det praktiske resultatet er gjenkjent tekst med en språketikett, klar for søk eller et etterfølgende innholdstrinn, med tidsangivelser lagt til gjennom den separate justeringsflyten når det trengs.