Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B é a edição compacta da família de reconhecimento de fala Qwen3-ASR da Qwen. Aceita áudio e produz uma transcrição com indicação da língua. O fabricante posiciona 0.6B em torno do equilíbrio entre qualidade de reconhecimento e eficiência, enquanto 1.7B é a edição maior, com uma designação separada. Ambas recorrem à compreensão de áudio de Qwen3-Omni e partilham a cobertura de reconhecimento documentada e a abordagem unificada offline/streaming. A edição compacta pode fornecer a etapa de transcrição num processo de notas de voz, preparação de legendas ou gravações pesquisáveis.

Línguas, dialetos e gravações suportadas

A Qwen documenta reconhecimento e identificação da língua para 30 línguas e 22 dialetos chineses, com suporte de sotaques ingleses de diferentes regiões. A sua tabela de línguas inclui chinês, inglês, cantonês, árabe, alemão, francês, espanhol, português, indonésio, italiano, coreano, russo, tailandês, vietnamita, japonês, turco, hindi, malaio, neerlandês, sueco, dinamarquês, finlandês, polaco, checo, filipino, persa, grego, húngaro, macedónio e romeno. Os tipos de áudio reconhecidos incluem fala, voz cantada e canções com música de fundo. A edição mais pequena mantém esta cobertura da família; o seu tamanho não corresponde a uma lista diferente de línguas suportadas.

Reconhecimento offline e preparação da entrada

O conjunto de ferramentas oficial pode receber áudio através de uma referência a um ficheiro, de áudio codificado ou de uma forma de onda com a respetiva frequência de amostragem. Suporta o processamento offline de várias gravações, a deteção automática da língua e a indicação de uma língua suportada. O resultado documentado contém a língua e o texto reconhecido. Selecione a língua falada quando a conhecer, ou deixe o modelo identificá-la quando uma coleção contiver línguas desconhecidas. Mantenha o identificador de cada gravação junto do respetivo resultado, para que uma transcrição possa ser associada à fonte correta.

Para um conjunto de notas de voz, conserve um resultado separado para cada nota e verifique nomes, números e frases pouco claras com base na gravação antes de transformar o texto em tarefas ou num resumo. Para um tutorial falado, use a transcrição para localizar passagens e verificar a redação de cada instrução. No caso do canto, ouça a linha vocal ao verificar a letra, em vez de aceitar uma palavra apenas por fazer sentido na canção. Estas são etapas de preparação e revisão do resultado textual; resumir, traduzir ou interpretar a transcrição pode seguir-se como operações separadas.

Texto em streaming e conclusão de uma gravação

Qwen3-ASR utiliza o mesmo modelo para reconhecimento offline e em streaming. No exemplo de streaming do fabricante, os segmentos de áudio recebidos atualizam um estado de reconhecimento que é mantido, e uma etapa de finalização fornece o texto completo e a língua. Isto permite uma apresentação incremental, útil para uma transcrição em curso. Trate a apresentação provisória como o estado atual do reconhecimento e conserve o resultado final depois de a gravação terminar, mantendo a fonte de áudio disponível para correções.

A implementação de streaming documentada não suporta inferência em lote nem a devolução de marcas temporais nesse fluxo. Texto em streaming, uma coleção de transcrições offline e a preparação de legendas temporizadas são, por isso, processos distintos do fabricante. Os tamanhos de segmentos e as definições de tokens dos exemplos do fabricante ilustram uma implementação; não constituem promessas universais de latência, concorrência ou duração do áudio. Escolha o processo consoante o resultado útil seja texto que chega durante uma gravação, texto completo para uma coleção ou texto alinhado numa linha temporal.

O texto com marcações temporais utiliza Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B é um modelo de alinhamento separado, apesar de partilhar a designação de tamanho 0.6B com esta edição ASR. Recebe um par texto–áudio e prevê os tempos de início e de fim ao nível da palavra ou do carácter. O conjunto de ferramentas ASR offline do fabricante pode invocá-lo quando são pedidas marcas temporais. O conjunto de línguas documentado inclui chinês, inglês, cantonês, francês, alemão, italiano, japonês, coreano, português, russo e espanhol, e o intervalo de alinhamento indicado é de até cinco minutos de fala. Esse conjunto mais restrito de línguas e o intervalo de cinco minutos dizem respeito ao alinhamento forçado, não à cobertura geral de transcrição do modelo ASR.

Para legendas, prepare uma transcrição revista na língua da gravação, alinhe-a quando o processo suportado se aplicar e examine os limites dos segmentos enquanto reproduz a fonte. Um resultado de legendagem utilizável mantém o texto e os tempos em conjunto. Se uma palavra da transcrição estiver incorreta, corrija o texto com base no áudio, em vez de pressupor que um intervalo temporal o valida. Esta separação torna claro se o problema está no reconhecimento, no texto fornecido ou na colocação de um limite de legenda.

Resultados de gravações longas e verificações do reconhecimento

A família Qwen3-ASR suporta gravações longas. Os seus exemplos de inferência aconselham a permitir mais tokens gerados para áudio mais longo; por isso, certifique-se de que a transcrição chega ao fim da gravação e de que o limite de saída não a interrompeu. Os exemplos publicados não estabelecem uma janela de contexto numérica universal nem uma duração máxima de gravação ASR. Mantenha as secções úteis associadas às respetivas posições na fonte ao organizar uma gravação extensa para revisão. Verifique palavras encobertas, mudanças de língua, fala sobreposta, nomes invulgares e sílabas cantadas com base no som original. O resultado prático é texto reconhecido com indicação da língua, pronto para pesquisa ou para uma etapa posterior de tratamento do conteúdo, com tempos acrescentados através do processo de alinhamento separado quando necessário.