Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B é o modelo maior de reconhecimento de fala da Qwen na família Qwen3-ASR. Recebe áudio e devolve texto reconhecido juntamente com uma etiqueta de idioma. A família assenta na base de compreensão de áudio de Qwen3-Omni e usa um único modelo ASR para reconhecimento offline e em streaming. A edição 1.7B destaca a qualidade de reconhecimento, enquanto a edição 0.6B, identificada separadamente, destaca a eficiência. Continuam a ser escolhas distintas, mesmo partilhando a cobertura linguística e os fluxos de reconhecimento documentados.

Identificação do idioma e cobertura de áudio

O fabricante lista 30 idiomas e 22 dialetos chineses, bem como sotaques de inglês de várias regiões. A lista de idiomas 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 suportados incluem fala, voz cantada e canções com música de fundo. Estas capacidades tornam a transcrição útil para entrevistas, aulas, gravações de voz e revisão de letras, mantendo o áudio original para verificar passagens difíceis.

Preparação do áudio e obtenção de uma transcrição

O conjunto de ferramentas do produtor aceita uma referência a um ficheiro de áudio, áudio codificado ou uma forma de onda acompanhada da respetiva frequência de amostragem, e o fluxo offline pode processar uma coleção de gravações. Pode detetar automaticamente o idioma ou usar um idioma suportado especificado. Escolha deteção automática para uma gravação desconhecida; forneça o idioma realmente falado quando for conhecido e relevante para a tarefa. O resultado de exemplo apresenta o idioma detetado ou selecionado e o texto reconhecido. A definição de idioma orienta o reconhecimento da gravação, em vez de definir um pedido de reformulação do conteúdo noutro idioma.

Para uma entrevista, mantenha a gravação associada à sua data, tema e identificador de origem e use depois o texto devolvido como transcrição pesquisável. Para uma aula, preserve termos técnicos e expressões numéricas durante a revisão, em vez de substituir silenciosamente palavras pouco claras por uma explicação plausível. Para uma canção, verifique a letra reconhecida enquanto ouve a linha vocal, especialmente quando a música oculta uma sílaba. A transcrição pode tornar-se entrada para um passo separado de resumo, tradução ou edição depois de as palavras terem sido verificadas face ao áudio.

Reconhecimento em streaming e respetivo âmbito

A mesma família ASR suporta reconhecimento à medida que o áudio chega. O exemplo de streaming do fabricante fornece sucessivos blocos de áudio a um estado de reconhecimento mantido, apresenta texto provisório e termina depois o fluxo para obter o idioma e a transcrição finais. Distinga o texto incremental atual do resultado concluído ao preparar legendas em direto ou uma transcrição contínua. A implementação de streaming documentada não combina streaming com inferência em lote nem devolve marcas temporais; uma transcrição temporizada usa outro fluxo. São detalhes da implementação do produtor, e não uma promessa sobre o transporte ou a interface de legendas em direto de uma aplicação.

Temporização de palavras ou caracteres com um aligner separado

Qwen3-ForcedAligner-0.6B alinha uma gravação de áudio com texto fornecido e prevê tempos de início e fim ao nível da palavra ou do carácter. É um modelo separado de ambas as edições Qwen3-ASR. O conjunto de ferramentas ASR pode usar esse aligner quando se pedem marcas temporais no fluxo de transcrição offline, ou o alinhamento pode ser executado sobre um par de texto e áudio existente. A cobertura documentada do aligner é de 11 idiomas: chinês, inglês, cantonês, francês, alemão, italiano, japonês, coreano, português, russo e espanhol. A duração de fala indicada é de até cinco minutos; é o âmbito do aligner, e não um limite de cinco minutos para transcrição ASR.

Para preparar legendas, obtenha e reveja primeiro a transcrição e alinhe-a depois com a gravação de origem quando esse fluxo de alinhamento for adequado. Use os tempos de início e fim devolvidos para preparar segmentos de legendas e examine as fronteiras enquanto ouve. O alinhamento associa palavras fornecidas ao áudio; não deve ser tratado como prova de que uma transcrição incorreta foi corrigida. O resultado útil é uma transcrição verificada com informação temporal que permanece ligada à gravação que descreve.

Gravações longas e limites práticos

A família suporta transcrição de áudio longo, e os exemplos oficiais instruem os utilizadores a permitir mais texto gerado para entradas mais longas. As definições ilustrativas de tokens são escolhas de configuração, e não um limite universal de contexto do modelo ou de duração de áudio. Planeie a extensão de saída de acordo com a gravação e verifique se o final está presente. Reveja nomes, quantidades, mudanças de idioma, palavras ocultadas e fala sobreposta face ao som original. A cobertura linguística e a robustez perante áudio difícil não garantem uma transcrição perfeita para todos os sotaques, gravações ou arranjos musicais. Um resultado completo preserva as palavras reconhecidas, o seu idioma e a sua relação com o áudio, para permitir pesquisa, edição ou uso num fluxo de conteúdos posterior.