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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Языки, диалекты и поддерживаемые записи\n\nQwen 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.\n\n### Офлайн-распознавание и подготовка входных данных\n\nОфициальный 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.\n\nДля 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.\n\n### Потоковый текст и завершение записи\n\nQwen3-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.\n\nДокументированная 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.\n\n### Для текста с временными метками используется Qwen3-ForcedAligner\n\nQwen3-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.\n\nДля 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.\n\n### Вывод для длинного аудио и проверка распознавания\n\nСемейство 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d638532bef1f167a10f37900cece524c0e0c031cd3757efa1c2001e92095a0af", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "qwen/qwen3-asr-0.6bQwen3-ASR-0.6B — компактная модель Qwen для распознавания речи, преобразующая разговорное или вокальное аудио в текст с определением языка. Она сохраняет охват семейства в 30 языков и 22 диалекта, поддерживает офлайн- и потоковые процессы и отдельное принудительное выравнивание для текста с временными метками.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
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.
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.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen/qwen3-asr-0.6b | По умолчанию— |
Полеinput_audio | Типobject | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеlanguage | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtemperature | Типnumber | ТребованиеНеобязательно | Значения и ограничения Минимум: 0 Максимум: 1 | По умолчанию— |
Полеresponse_format | Типstring | ТребованиеНеобязательно | Значения и ограничения json, verbose_json | По умолчаниюjson |
Полеtimestamp_granularities | Типarray | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input_audio |
Параметрmaterial_types | Контрактaudio |
Параметрmaterial_conditions | КонтрактПрочитайте фактический файл WAV и закодируйте его реальные байты для заявленного поля input_audio в JSON; в этом конкретном описании, допускающем только JSON, маршрут multipart не предлагается. |
Жизненный цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Фактически возвращённый task_id или запись в медиатеке
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Отображаемые тарифы позволяют оценить стоимость до генерации. Итоговое списание рассчитывается по стоимости, записанной для исходной генерации. Измеренная длительность результата и прогнозные объёмы не являются итоговым оплачиваемым объёмом.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Прогноз количества | Расчётная единица | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Прогноз количества— | Расчётная единица— | Плата Вход · Входные токены · Оценка только для сравнения — / 1K токенов Выход · Выходные токены · Оценка только для сравнения — / 1K токенов Вход · Чтение кэша · Оценка только для сравнения — / 1K токенов Вход · Запись в кэш · Оценка только для сравнения — / 1K токенов Вход · Запись в кэш, 1 час · Оценка только для сравнения — / 1K токенов |
| Конфигурациясекунда входного аудио | Шкала ставок— | Прогноз количества— | Расчётная единицаза секунду входного аудио | Плата Вход · секунда входного аудио · Оценка только для сравнения $0.00000666 за секунду входного аудио |
| КонфигурацияОриентировочная стоимость генерации | Шкала ставок— | Прогноз количестваОценка для одной генерации | Расчётная единица— | Плата Выход · Оценочная стоимость генерации · Оценка только для сравнения $0.00000666 оценка до генерации Эта оценка не является дополнительным списанием или фиксированным тарифом для завершённой генерации. |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-0.6b', 'input_audio': {'data': '${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.\nСохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте полный ответ и заголовки, все фактические результаты, исходные возвращённые идентификаторы и все поля использования. Восстанавливайте исходную операцию без повторной отправки запроса создания.
Сохраните возвращённый X-Client-Request-ID для сверки. Читайте только фактически возвращённые значения task_id/asset_id или собственную медиатеку; никогда не составляйте URL задачи из ID операции и никогда не отправляйте запрос создания повторно.
| Поле | Тип |
|---|---|
Полеtext | Тип |
Полеusage | Тип |
Полеsegments[] | Тип |
Полеwords[] | Тип |
Полеspeaker fields | Тип |
Полеtimestamps | Тип |
Ailoot Ultra qwen/qwen3-asr-0.6b
Используйте пути методов, указанные выше.