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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Identificação do idioma e cobertura de áudio\n\nO 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.\n\n### Preparação do áudio e obtenção de uma transcrição\n\nO 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.\n\nPara 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.\n\n### Reconhecimento em streaming e respetivo âmbito\n\nA 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.\n\n### Temporização de palavras ou caracteres com um aligner separado\n\nQwen3-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.\n\nPara 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.\n\n### Gravações longas e limites práticos\n\nA 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a13055a87f1ccac222de882ed79214bcfefd94e019721e59741e177a205eb896", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B converte fala e canto em texto e identifica o idioma. A Qwen documenta 30 idiomas, 22 dialetos chineses e reconhecimento offline ou em streaming; a temporização por palavra usa um fluxo Qwen3-ForcedAligner separado.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
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.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-asr-1.7b | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
Campolanguage | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Mínimo: 0 Máximo: 1 | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites json, verbose_json | Predefiniçãojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoLeia um ficheiro WAV real e codifique os respetivos bytes reais para a entrada JSON input_audio declarada; não é anunciada qualquer rota multipart para esta declaração exata apenas de JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As tarifas apresentadas permitem estimar o custo antes da geração. O montante final cobrado é calculado a partir do custo registado para a geração original. A duração medida do resultado e as quantidades previstas não correspondem à quantidade final faturável.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade prevista | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade prevista— | Unidade de faturação— | Custo Entrada · Tokens de entrada · Estimativa apenas para comparação — / 1K tokens Saída · Tokens de saída · Estimativa apenas para comparação — / 1K tokens Entrada · Leitura da cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache · Estimativa apenas para comparação — / 1K tokens Entrada · Escrita na cache, 1 hora · Estimativa apenas para comparação — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Quantidade prevista— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada · Estimativa apenas para comparação $0.000015 por segundo de áudio de entrada |
| ConfiguraçãoCusto estimado de geração | Tabela de tarifas— | Quantidade previstaestimativa para uma geração | Unidade de faturação— | Custo Saída · Custo estimado de geração · Estimativa apenas para comparação $0.000015 estimativa antes da geração Esta estimativa não é um encargo adicional nem uma tarifa fixa para a geração concluída. |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Guarde o X-Client-Request-ID devolvido para reconciliação. Consulte apenas os valores task_id/asset_id efetivamente devolvidos ou a sua biblioteca de multimédia; nunca construa um URL de tarefa a partir do ID da operação e nunca volte a enviar o pedido de criação.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra qwen/qwen3-asr-1.7b
Use os caminhos dos métodos indicados acima.