Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B — компактная версия семейства моделей распознавания речи Qwen3-ASR от Qwen. Она принимает аудио и выдаёт расшифровку с обозначением языка. Производитель позиционирует 0.6B как сочетание качества распознавания и эффективности, а 1.7B — как отдельно названную более крупную версию. Обе используют понимание аудио Qwen3-Omni и имеют общий документированный охват распознавания и единый подход к офлайн- и потоковой работе. Компактная версия может выполнять этап расшифровки в процессе обработки голосовых заметок, подготовки субтитров или создания записей с возможностью поиска.

Языки, диалекты и поддерживаемые записи

Qwen документирует распознавание и определение 30 языков и 22 китайских диалектов с поддержкой английских акцентов разных регионов. В языковой таблице перечислены китайский, английский, кантонский, арабский, немецкий, французский, испанский, португальский, индонезийский, итальянский, корейский, русский, тайский, вьетнамский, японский, турецкий, хинди, малайский, нидерландский, шведский, датский, финский, польский, чешский, филиппинский, персидский, греческий, венгерский, македонский и румынский. Распознаваемые виды аудио включают речь, пение и песни с фоновой музыкой. Меньшая версия сохраняет этот охват семейства; её размер не означает другой список поддерживаемых языков.

Офлайн-распознавание и подготовка входных данных

Официальный набор инструментов может получать аудио по ссылке на файл, в закодированном виде или в виде звуковой волны с указанием частоты дискретизации. Он поддерживает офлайн-обработку нескольких записей, автоматическое определение языка и указание поддерживаемого языка. Документированный результат содержит язык и распознанный текст. Выберите язык речи, если он известен, или позвольте модели определить его, если коллекция содержит неизвестные языки. Держите идентификатор каждой записи рядом с результатом, чтобы расшифровку можно было сопоставить с правильным источником.

Для набора голосовых заметок сохраняйте отдельный результат для каждой заметки и сверяйте имена, числа и неясные фразы с записью, прежде чем превращать текст в задачи или сводку. Для устного учебного материала используйте расшифровку, чтобы находить фрагменты и проверять формулировку каждой инструкции. Для пения при проверке текста слушайте вокальную партию, а не принимайте слово лишь потому, что оно подходит по смыслу песни. Это этапы подготовки и проверки текстового результата; составление сводки, перевод или интерпретация расшифровки могут выполняться затем как отдельные операции.

Потоковый текст и завершение записи

Qwen3-ASR использует одну и ту же модель для офлайн- и потокового распознавания. В потоковом примере производителя поступающие фрагменты аудио обновляют сохраняемое состояние распознавания, а этап завершения выдаёт окончательный текст и язык. Это позволяет постепенно отображать текст, что удобно для расшифровки по мере записи. Рассматривайте промежуточный текст как текущее состояние распознавания и сохраняйте окончательный результат после завершения записи, оставляя исходное аудио доступным для исправлений.

Документированная потоковая реализация не поддерживает пакетный инференс и возврат временных меток в этом потоковом процессе. Поэтому потоковый текст, набор офлайн-расшифровок и подготовка субтитров с временными метками — разные процессы производителя. Размеры фрагментов и настройки токенов в его примерах иллюстрируют реализацию, а не обещают универсальную задержку, число одновременных запросов или длительность аудио. Выбирайте процесс в зависимости от нужного результата: текст, поступающий во время записи, готовый текст для коллекции или текст, выровненный по временной шкале.

Для текста с временными метками используется Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B — отдельная модель выравнивания, несмотря на общую с этой ASR-версией метку размера 0.6B. Она принимает пару «текст–аудио» и предсказывает время начала и окончания отдельных слов или символов. Офлайн-набор инструментов ASR производителя может вызывать её при запросе временных меток. Документированный набор её языков — китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский, а заявленная длительность выравнивания — до пяти минут речи. Этот более узкий набор языков и пятиминутный интервал относятся к принудительному выравниванию, а не к общему охвату расшифровки ASR-модели.

Для субтитров подготовьте проверенную расшифровку на языке записи, выполните выравнивание там, где применим поддерживаемый процесс, и проверьте границы сегментов при воспроизведении источника. Пригодный для использования файл субтитров сохраняет текст и временные метки вместе. Если слово в расшифровке неверно, исправьте его по аудио, а не считайте, что временной интервал подтверждает его правильность. Такое разделение позволяет понять, где возникла проблема: в распознавании, предоставленном тексте или расположении границы субтитра.

Вывод для длинного аудио и проверка распознавания

Семейство Qwen3-ASR поддерживает длинные записи. В примерах инференса рекомендуется выделять больше генерируемых токенов для более длинного аудио, поэтому убедитесь, что расшифровка доходит до конца записи и не обрывается из-за лимита вывода. Опубликованные примеры не устанавливают универсальный числовой размер контекстного окна или максимальную длительность записи для ASR. При организации длинной записи для проверки сохраняйте связь нужных фрагментов с их положением в источнике. Сверяйте неразборчивые слова, смены языка, перекрывающуюся речь, необычные имена и пропетые слоги с исходным звуком. Практический результат — распознанный текст с обозначением языка, готовый для поиска или следующего этапа работы с содержимым; при необходимости временные метки добавляются через отдельный процесс выравнивания.