Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B je kompaktná edícia rodiny modelov Qwen3-ASR od Qwen na rozpoznávanie reči. Prijíma zvuk a vytvára prepis s označením jazyka. Výrobca predstavuje 0.6B ako vyváženie kvality rozpoznávania a efektívnosti, zatiaľ čo 1.7B je samostatne pomenovaná väčšia edícia. Obe vychádzajú zo schopnosti Qwen3-Omni rozumieť zvuku a zdieľajú dokumentovaný rozsah rozpoznávania aj jednotný prístup k offline spracovaniu a streamovaniu. Kompaktná edícia môže zabezpečiť prepis v pracovnom postupe pre hlasové poznámky, prípravu titulkov alebo prehľadávateľné nahrávky.

Jazyky, dialekty a podporované nahrávky

Qwen dokumentuje rozpoznávanie a identifikáciu 30 jazykov a 22 čínskych dialektov s podporou anglických prízvukov z rôznych regiónov. Tabuľka jazykov uvádza čínštinu, angličtinu, kantončinu, arabčinu, nemčinu, francúzštinu, španielčinu, portugalčinu, indonézštinu, taliančinu, kórejčinu, ruštinu, thajčinu, vietnamčinu, japončinu, turečtinu, hindčinu, malajčinu, holandčinu, švédčinu, dánčinu, fínčinu, poľštinu, češtinu, filipínčinu, perzštinu, gréčtinu, maďarčinu, macedónčinu a rumunčinu. Medzi rozpoznávané typy zvuku patrí reč, spev a piesne s hudbou v pozadí. Menšia edícia zachováva toto pokrytie rodiny; jej veľkosť neznamená odlišný zoznam podporovaných jazykov.

Offline rozpoznávanie a príprava vstupu

Oficiálna sada nástrojov môže prijímať zvuk prostredníctvom odkazu na súbor, zakódovaného zvuku alebo zvukovej vlny s uvedenou vzorkovacou frekvenciou. Podporuje offline spracovanie viacerých nahrávok, automatické rozpoznanie jazyka aj zadanie konkrétneho podporovaného jazyka. Dokumentovaný výsledok obsahuje jazyk a rozpoznaný text. Ak hovorený jazyk poznáte, vyberte ho; ak sú v zbierke neznáme jazyky, nechajte model, aby ich identifikoval. Pri výsledku ponechajte identifikátor príslušnej nahrávky, aby bolo možné prepis priradiť k správnemu zdroju.

Pri súbore hlasových poznámok uchovajte pre každú poznámku samostatný výsledok a pred premenou textu na úlohy alebo súhrn skontrolujte mená a názvy, čísla a nejasné výrazy podľa nahrávky. Pri hovorenom návode využite prepis na vyhľadanie pasáží a overte znenie každého pokynu. Pri speve kontrolujte text počúvaním vokálnej linky a neprijímajte slovo iba preto, že v piesni dáva zmysel. Ide o prípravu a kontrolu textového výstupu; sumarizácia, preklad alebo interpretácia prepisu môžu nasledovať ako samostatné operácie.

Streamovaný text a dokončenie nahrávky

Qwen3-ASR používa ten istý model na offline aj streamované rozpoznávanie. V streamovanom príklade výrobcu prichádzajúce zvukové bloky aktualizujú uchovávaný stav rozpoznávania a krok finalizácie poskytne dokončený text a jazyk. Umožňuje to priebežné zobrazovanie vhodné pre prepis počas nahrávania. Priebežné zobrazenie berte ako aktuálny stav rozpoznávania a po skončení nahrávky uchovajte konečný výsledok; zdrojový zvuk ponechajte dostupný na opravy.

Dokumentovaná implementácia streamovania v tomto postupe nepodporuje dávkovú inferenciu ani vracanie časových značiek. Streamovaný text, súbor offline prepisov a príprava časovaných titulkov sú preto samostatné pracovné postupy výrobcu. Veľkosti zvukových blokov a nastavenia tokenov v príkladoch výrobcu ilustrujú implementáciu; nie sú všeobecným prísľubom latencie, súbežnosti ani dĺžky zvuku. Postup vyberte podľa toho, či potrebujete text prichádzajúci počas nahrávania, dokončené texty zo zbierky nahrávok alebo text zarovnaný na časovú os.

Na časovaný text slúži Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B je samostatný model na zarovnanie, hoci s touto edíciou ASR zdieľa označenie veľkosti 0.6B. Prijíma dvojicu text–zvuk a predpovedá začiatky a konce na úrovni slov alebo znakov. Offline sada nástrojov ASR od výrobcu ho môže vyvolať pri požiadavke na časové značky. Jeho dokumentovaný zoznam jazykov zahŕňa čínštinu, angličtinu, kantončinu, francúzštinu, nemčinu, taliančinu, japončinu, kórejčinu, portugalčinu, ruštinu a španielčinu a uvádzaný rozsah zarovnania je najviac päť minút reči. Tento užší zoznam jazykov a päťminútový rozsah patria k časovému zarovnaniu, nie k všeobecnému rozsahu prepisu modelu ASR.

Pre titulky pripravte skontrolovaný prepis v jazyku nahrávky, zarovnajte ho tam, kde to podporovaný postup umožňuje, a pri prehrávaní zdroja skontrolujte hranice segmentov. Použiteľný titulkový výstup uchováva znenie spolu s časovaním. Ak je slovo v prepise nesprávne, opravte ho podľa zvuku namiesto predpokladu, že mu správnosť potvrdzuje časový interval. Toto oddelenie objasňuje, či je problém v rozpoznávaní, v dodanom texte alebo v umiestnení hranice titulku.

Výstup z dlhých nahrávok a kontrola rozpoznávania

Rodina Qwen3-ASR podporuje dlhé nahrávky. Jej príklady inferencie odporúčajú pri dlhšom zvuku povoliť viac generovaných tokenov, preto overte, že prepis dosiahol koniec nahrávky a že ho neprerušil nastavený limit výstupu. Zverejnené príklady nestanovujú všeobecnú číselnú veľkosť kontextového okna ani maximálnu dĺžku nahrávky ASR. Pri usporadúvaní rozsiahlejšej nahrávky na kontrolu zachovajte prepojenie medzi užitočnými úsekmi a ich pozíciami v zdroji. Nezreteľné slová, zmeny jazyka, prekrývajúcu sa reč, nezvyčajné mená a názvy aj spievané slabiky overte podľa pôvodného zvuku. Praktickým výsledkom je rozpoznaný text s označením jazyka pripravený na vyhľadávanie alebo ďalšie spracovanie obsahu; časovanie sa podľa potreby pridáva samostatným postupom zarovnania.