Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B er Qwens større talegjenkjenningsmodell i Qwen3-ASR-familien. Den tar imot lyd og returnerer gjenkjent tekst sammen med en språketikett. Familien bygger på grunnlaget for lydforståelse i Qwen3-Omni og bruker én ASR-modell til gjenkjenning offline og i strømmer. 1.7B-utgaven legger vekt på gjenkjenningskvalitet, mens den separat navngitte 0.6B-utgaven legger vekt på effektivitet. Utgavene er fortsatt forskjellige valg, selv om de deler den dokumenterte språkdekningen og de samme arbeidsflytene for gjenkjenning.

Språkidentifikasjon og lyddekning

Produsenten oppgir 30 språk og 22 kinesiske dialekter, samt engelske aksenter fra flere regioner. Språklisten omfatter kinesisk, engelsk, kantonesisk, arabisk, tysk, fransk, spansk, portugisisk, indonesisk, italiensk, koreansk, russisk, thai, vietnamesisk, japansk, tyrkisk, hindi, malayisk, nederlandsk, svensk, dansk, finsk, polsk, tsjekkisk, filipino, persisk, gresk, ungarsk, makedonsk og rumensk. De støttede lydtypene omfatter tale, sangstemme og sanger med bakgrunnsmusikk. Disse egenskapene gjør transkripsjonen nyttig for intervjuer, forelesninger, lydopptak og gjennomgang av sangtekster, med den opprinnelige lyden bevart for kontroll av vanskelige partier.

Forberede lyd og hente en transkripsjon

Produsentens verktøysett tar imot en referanse til en lydfil, kodet lyd eller en bølgeform sammen med samplingsfrekvensen, og arbeidsflyten for offline-bruk kan behandle en samling opptak. Den kan registrere språket automatisk eller bruke et angitt støttet språk. Velg automatisk registrering for et ukjent opptak; oppgi språket som faktisk snakkes når det er kjent og relevant for oppgaven. Eksempelresultatet viser det registrerte eller valgte språket og den gjenkjente teksten. Språkinnstillingen styrer gjenkjenningen av opptaket fremfor å angi en forespørsel om å skrive om innholdet til et annet språk.

For et intervju bør du holde opptaket knyttet til datoen, emnet og kildeidentifikatoren, og deretter bruke den returnerte teksten som en søkbar transkripsjon. For en forelesning bør du bevare faguttrykk og talluttrykk under gjennomgangen fremfor å erstatte uklare ord med en sannsynlig forklaring uten å si fra. For en sang bør du kontrollere den gjenkjente sangteksten mens du lytter til vokalen, særlig der musikken skjuler en stavelse. Transkripsjonen kan brukes som inndata til et separat steg for oppsummering, oversettelse eller redigering når ordlyden er kontrollert mot lyden.

Strømmegjenkjenning og dens omfang

Den samme ASR-familien støtter gjenkjenning mens lyden mottas. Produsentens strømmeeksempel mater påfølgende lydsegmenter inn i en bevart gjenkjenningstilstand, viser foreløpig tekst og avslutter deretter strømmen for å hente det endelige språket og transkripsjonen. Skill mellom den løpende teksten og det ferdige resultatet når du forbereder direkteteksting eller en løpende transkripsjon. Den dokumenterte strømmeimplementeringen kombinerer ikke strømming med batch-inferens og returnerer ikke tidsstempler; en transkripsjon med tidsangivelser bruker en annen arbeidsflyt. Dette er detaljer om produsentens implementering, ikke et løfte om en applikasjons transport eller grensesnitt for direkteteksting.

Tidfesting av ord eller tegn med en separat aligner

Qwen3-ForcedAligner-0.6B justerer et lydopptak mot oppgitt tekst og predikerer start- og sluttider på ord- eller tegnnivå. Det er en separat modell fra begge Qwen3-ASR-utgavene. ASR-verktøysettet kan bruke denne aligneren når tidsstempler etterspørres i arbeidsflyten for offline-transkripsjon, eller justeringen kan kjøres på et eksisterende tekst–lyd-par. Alignerens dokumenterte dekning er 11 språk: kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk. Den oppgitte talevarigheten er opptil fem minutter; dette er alignerens omfang, ikke en femminuttersgrense for ASR-transkripsjon.

Når du forbereder undertekster, bør du først hente og gjennomgå transkripsjonen og deretter justere den mot kildeopptaket der denne arbeidsflyten passer. Bruk de returnerte start- og sluttidene til å lage tekstsegmenter, og kontroller grensene deres mens du lytter. Justeringen knytter de oppgitte ordene til lyden; den bør ikke behandles som bevis på at en feilaktig transkripsjon er blitt korrigert. Det nyttige produktet er en kontrollert transkripsjon med tidsinformasjon som fortsatt er knyttet til opptaket den beskriver.

Lange opptak og praktiske begrensninger

Familien støtter transkripsjon av lange lydopptak, og de offisielle eksemplene ber brukerne sette av mer generert tekst for lengre inndata. De illustrerende tokeninnstillingene er konfigurasjonsvalg fremfor en universell grense for modellkontekst eller lydvarighet. Planlegg utdatabudsjettet ut fra opptaket, og kontroller at avslutningen er med. Kontroller navn, mengder, språkskifter, skjulte ord og overlappende tale mot den opprinnelige lyden. Språkdekning og robusthet overfor krevende lyd garanterer ikke en feilfri transkripsjon for alle aksenter, opptak eller musikalske arrangementer. Et komplett resultat bevarer den gjenkjente ordlyden, språket og forbindelsen til lyden, slik at det kan søkes i, redigeres eller brukes i en senere arbeidsflyt for innhold.