Qwen: Qwen3 ASR 1.7B
Qwen3-ASR-1.7B преобразует речь и пение в текст и определяет язык. Qwen описывает 30 языков, 22 китайских диалекта и офлайн- или потоковое распознавание; временные метки слов используют отдельный процесс Qwen3-ForcedAligner.
О модели
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Qwen3-ASR-1.7B — более крупная модель распознавания речи семейства Qwen3-ASR. Она принимает аудио и возвращает распознанный текст с обозначением языка. Семейство построено на аудиопонимании Qwen3-Omni и использует одну модель ASR для офлайн- и потокового распознавания. Редакция 1.7B делает акцент на качестве, отдельно именованная 0.6B — на эффективности. Это разные варианты, хотя языковой охват и процессы распознавания общие.
Определение языка и охват аудио
Производитель перечисляет 30 языков, 22 китайских диалекта и английские акценты разных регионов. Список языков: 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. Поддерживаемые виды аудио включают речь, певческий голос и песни с фоновой музыкой. Транскрипция полезна для интервью, лекций, голосовых записей и проверки текстов песен с сохранением оригинала для сложных фрагментов.
Подготовка аудио и получение текста
Инструментарий производителя принимает ссылку на аудиофайл, закодированное аудио или звуковую волну с частотой дискретизации; офлайн-процесс обрабатывает набор записей. Он определяет язык автоматически или использует заданный поддерживаемый. Для неизвестной записи выберите автоматическое определение; задайте фактический язык речи, если он известен и важен. Пример результата показывает обнаруженный или выбранный язык и распознанный текст. Настройка языка направляет распознавание записи, а не задаёт переписывание её содержания на другой язык.
Для интервью сохраняйте запись вместе с датой, темой и идентификатором источника и используйте текст как транскрипцию, по которой можно выполнять поиск. Для лекции проверяйте термины и числа, не заменяя неясные слова правдоподобным объяснением без указания. Для песни сверяйте слова при прослушивании вокала, особенно когда музыка скрывает слог. После проверки по аудио текст может служить вводом отдельного резюмирования, перевода или редактирования.
Потоковое распознавание и его область
Семейство поддерживает распознавание по мере прихода аудио. Пример производителя подаёт последовательные фрагменты в сохраняемое состояние распознавания, показывает промежуточный текст и завершает поток для итогового языка и текста. При живых субтитрах или текущей транскрипции отличайте текущий нарастающий текст от готового результата. Документированная потоковая реализация не совмещает поток с пакетным инференсом и не возвращает временные метки; для транскрипции с временными метками используется другой процесс. Это особенности реализации производителя, а не обещание транспорта приложения или интерфейса живых субтитров.
Время слов или символов через отдельное выравнивание
Qwen3-ForcedAligner-0.6B сопоставляет запись с предоставленным текстом и предсказывает начало и конец слов или символов. Это отдельная модель от обеих редакций Qwen3-ASR. Инструментарий ASR может использовать её при запросе временных меток в офлайн-транскрипции, либо выравнивание запускается для готовой пары текст–аудио. Охват выравнивателя — 11 языков: китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский. Его указанный речевой отрезок — до пяти минут; это область выравнивателя, а не пятиминутный предел ASR.
Для субтитров сначала получите и проверьте текст, затем выровняйте по записи там, где подходит процесс. Используйте начала и окончания для сегментов субтитров и проверяйте границы при прослушивании. Выравнивание связывает предоставленные слова с аудио и не доказывает исправление неверной транскрипции. Полезный результат — проверенный текст с временными сведениями и связью с исходной записью.
Длинные записи и практические границы
Семейство поддерживает длинное аудио, а официальные примеры требуют больше генерируемого текста для длинного ввода. Примерные настройки токенов — выбор конфигурации, а не универсальный контекст или ограничение длительности. Планируйте вывод по записи и проверяйте наличие окончания. Сверяйте имена, количества, смены языка, неясные слова и перекрывающуюся речь с оригиналом. Языковой охват и устойчивость к сложному аудио не гарантируют безошибочный текст каждого акцента, записи или аранжировки. Полный результат сохраняет распознанные слова, язык и связь с аудио для поиска, редактирования и дальнейшего процесса контента.
Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b
qwen/qwen3-asr-1.7bНачало
Qwen3-ASR-1.7B преобразует речь и пение в текст и определяет язык. Qwen описывает 30 языков, 22 китайских диалекта и офлайн- или потоковое распознавание; временные метки слов используют отдельный процесс Qwen3-ForcedAligner.
- Допустимые входные данные
- Аудио
- Результаты
- Текст
Доступно в Ailoot · входные данные и методы
Ailoot Ultra · Распознавание речи POST /v1/audio/transcriptions
- Входные данные
audio- Результат
text
| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen/qwen3-asr-1.7b | 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— |
Параметры и жизненный цикл метода
| 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}
Тарифы
Как рассчитывается итоговая плата
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.
- Быстрый режим
- Не указано При выборе быстрого режима
- Режим flex
- Не указано При выборе режима flex
- Максимальная интенсивность рассуждений
- Не указано При максимальной интенсивности рассуждений с корректировкой по умолчанию (default)
Оценочные ставки для сравнения
Цены по конфигурациям
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 $0.000015 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 $0.000015 оценка до генерации Эта оценка не является дополнительным списанием или фиксированным тарифом для завершённой генерации. |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
Примеры запросов
Ailoot Ultra · Распознавание речи
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Получить и сохранить результаты
Ailoot Ultra · Распознавание речи
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Чтение другого содержимого
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
Сохраняйте все готовые результаты
Сохраняйте 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.
Если нужно проверить исходный ответ
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.
Поля ответа
| Поле | Тип |
|---|---|
Полеtext | Тип |
Полеusage | Тип |
Полеsegments[] | Тип |
Полеwords[] | Тип |
Полеspeaker fields | Тип |
Полеtimestamps | Тип |
Псевдонимы
Псевдонимы моделей
Ailoot Ultra qwen/qwen3-asr-1.7b
Псевдонимы путей метода
Используйте пути методов, указанные выше.
Связанные ID для вызова
FAQ · Qwen: Qwen3 ASR 1.7B
- Какие входные данные и результаты доступны?
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:audio→text- Какие поля использует запрос?
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Какие ограничения действуют?
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:temperature.minimum:0;temperature.maximum:1