Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B prevádza reč a spev na text a identifikuje jazyk. Qwen dokumentuje 30 jazykov, 22 čínskych dialektov a offline či streamované rozpoznávanie; časovanie na úrovni slov používa samostatný postup Qwen3-ForcedAligner.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Qwen3-ASR-1.7B je väčší model rozpoznávania reči Qwen v rodine Qwen3-ASR. Prijíma zvuk a vracia rozpoznaný text spolu s jazykovým označením. Rodina vychádza zo základu porozumenia zvuku Qwen3-Omni a používa jeden model ASR pre offline aj streamované rozpoznávanie. Vydanie 1.7B zdôrazňuje kvalitu rozpoznávania, zatiaľ čo samostatne pomenované vydanie 0.6B efektívnosť. Tieto vydania zostávajú rozdielnymi voľbami aj pri spoločnom dokumentovanom jazykovom pokrytí a postupoch rozpoznávania.

Identifikácia jazyka a zvukové pokrytie

Výrobca uvádza 30 jazykov a 22 čínskych dialektov, ako aj anglické prízvuky z viacerých regiónov. Zoznam zahŕňa 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. Podporované zvukové typy zahŕňajú reč, spev a piesne s hudobným podkladom. Tieto schopnosti robia prepis užitočným pre rozhovory, prednášky, hlasové záznamy a kontrolu textov piesní, pri zachovaní pôvodného zvuku na preverenie náročných pasáží.

Príprava zvuku a získanie prepisu

Súprava nástrojov výrobcu prijíma referenciu zvukového súboru, kódovaný zvuk alebo priebeh signálu so vzorkovacou frekvenciou a offline postup môže spracovať kolekciu nahrávok. Jazyk môže zistiť automaticky alebo použiť určený podporovaný jazyk. Pre neznámu nahrávku vyberte automatickú detekciu; skutočne hovorený jazyk poskytnite, keď je známy a relevantný pre úlohu. Ukážkový výsledok sprístupňuje zistený alebo vybraný jazyk a rozpoznaný text. Jazykové nastavenie usmerňuje rozpoznávanie nahrávky, nie požiadavku prepísať jej obsah do iného jazyka.

Pri rozhovore držte nahrávku prepojenú s dátumom, témou a identifikátorom zdroja, potom použite vrátený text ako prehľadávateľný prepis. Pri prednáške počas kontroly zachovajte technické termíny a numerické výrazy namiesto tichého nahrádzania nejasných slov pravdepodobným vysvetlením. Pri piesni kontrolujte rozpoznaný text pri počúvaní vokálnej línie, najmä tam, kde hudba zakrýva slabiku. Prepis môže byť vstupom samostatného zhrnutia, prekladu či redakčného kroku po porovnaní jeho znenia so zvukom.

Streamované rozpoznávanie a jeho rozsah

Rovnaká rodina ASR podporuje rozpoznávanie pri prichádzaní zvuku. Streamovaný príklad výrobcu dodáva po sebe idúce zvukové časti do uchovaného stavu rozpoznávania, zobrazuje priebežný text a potom dokončí stream na získanie konečného jazyka a prepisu. Pri príprave živých titulkov alebo priebežného prepisu odlišujte aktuálne postupne dopĺňaný text od dokončeného výsledku. Dokumentovaná streamovaná implementácia nespája streamovanie s dávkovou inferenciou ani nevracia časové značky; časovaný prepis používa iný postup. Sú to detaily implementácie výrobcu, nie prísľub transportu aplikácie či rozhrania živých titulkov.

Časovanie slov alebo znakov so samostatným zarovnávačom

Qwen3-ForcedAligner-0.6B zarovnáva zvukovú nahrávku s dodaným textom a predpovedá začiatky a konce na úrovni slov alebo znakov. Je to samostatný model oproti obom vydaniam Qwen3-ASR. Súprava ASR môže tento zarovnávač použiť pri žiadosti o časové značky v offline prepise alebo sa zarovnanie môže vykonať na existujúcom páre text–zvuk. Dokumentované pokrytie zarovnávača je 11 jazykov: čínština, angličtina, kantončina, francúzština, nemčina, taliančina, japončina, kórejčina, portugalčina, ruština a španielčina. Uvedený rozsah reči je až päť minút; ide o rozsah zarovnávača, nie päťminútový strop prepisu ASR.

Pri príprave titulkov najprv získajte a skontrolujte prepis, potom ho zarovnajte so zdrojovou nahrávkou, keď je daný postup vhodný. Vrátené časy začiatku a konca použite na prípravu segmentov titulkov a ich hranice skontrolujte pri počúvaní. Zarovnanie spája dodané slová so zvukom; nemá sa považovať za dôkaz opravy nesprávneho prepisu. Užitočný artefakt je overený prepis s časovými údajmi, ktorý zostáva prepojený s nahrávkou, ktorú opisuje.

Dlhé nahrávky a praktické limity

Rodina podporuje prepis dlhého zvuku a oficiálne príklady hovoria používateľom povoliť viac generovaného textu pri dlhšom vstupe. Ich ukážkové tokenové nastavenia sú konfiguračné voľby, nie univerzálny limit kontextu modelu či dĺžky zvuku. Výstupný priestor plánujte podľa nahrávky a overte prítomnosť jej konca. Mená, množstvá, jazykové zmeny, zakryté slová a prekrývajúcu sa reč skontrolujte podľa pôvodného zvuku. Jazykové pokrytie a odolnosť pri náročnom zvuku nezaručujú bezchybný prepis pre každý prízvuk, nahrávku či hudobnú aranžmánovú podobu. Úplný výsledok zachováva rozpoznané znenie, jeho jazyk a vzťah so zvukom, aby bol vyhľadateľný, upraviteľný alebo použiteľný v ďalšom obsahovom postupe.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b

qwen/qwen3-asr-1.7b

Alibaba /qwen/qwen3-asr-1.7b

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity qwen/qwen3-asr-1.7b	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—
Pole`language`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`temperature`	Typ`number`	PožiadavkaVoliteľné	Hodnoty a limity Minimum: 0 Maximum: 1	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity json, verbose_json	Predvolenéjson
Pole`timestamp_granularities`	Typ`array`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—
Pole`provider`	Typ`object`	PožiadavkaVoliteľné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaNačítajte skutočný súbor WAV a zakódujte jeho reálne bajty pre deklarovaný vstup JSON input_audio; pre túto presnú deklaráciu iba s JSON sa neuvádza žiadna trasa multipart.

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenník

Ako sa vypočíta konečný poplatok

Zobrazené sadzby slúžia na odhad nákladov pred generovaním. Konečný poplatok sa vypočíta z nákladov zaznamenaných pri pôvodnom generovaní. Namerané trvanie výstupu a predpokladané množstvá nepredstavujú konečné účtované množstvo.

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Odhadované sadzby na porovnanie

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Odhadované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Odhadované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Výstup · Výstupné tokeny · Odhad iba na porovnanie — / 1K tokenov Vstup · Čítanie cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache · Odhad iba na porovnanie — / 1K tokenov Vstup · Zápis do cache, 1 hod · Odhad iba na porovnanie — / 1K tokenov
Konfiguráciasekunda vstupného zvuku	Sadzobník—	Odhadované množstvo—	Účtovacia jednotkaza sekundu vstupného audia	Poplatok Vstup · sekunda vstupného zvuku · Odhad iba na porovnanie $0.000015 za sekundu vstupného audia
KonfiguráciaOdhadované náklady na generovanie	Sadzobník—	Odhadované množstvoodhad pre jedno generovanie	Účtovacia jednotka—	Poplatok Výstup · Odhadované náklady na generovanie · Odhad iba na porovnanie $0.000015 odhad pred generovaním Tento odhad nepredstavuje dodatočný poplatok ani pevnú sadzbu za dokončené generovanie.

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Prepis zvuku

curl · presné telo požiadavky v natívnom formáte a úplný výsledok

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.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Čítanie ďalšieho obsahu

Čítať existujúce podklady, ktoré vám patria

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.

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Uchovajte vrátené X-Client-Request-ID na zosúladenie záznamov. Čítajte iba skutočne vrátené hodnoty task_id/asset_id alebo vlastnú knižnicu médií; nikdy nevytvárajte URL úlohy z ID operácie a nikdy znova neodosielajte požiadavku na vytvorenie.

Polia odpovede

Pole	Typ
Pole`text`	Typ
Pole`usage`	Typ
Pole`segments[]`	Typ
Pole`words[]`	Typ
Pole`speaker fields`	Typ
Pole`timestamps`	Typ

Aliasy

Aliasy modelov

Ailoot Ultra qwen/qwen3-asr-1.7b

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

qwen/qwen3-asr-1.7b

FAQ · Qwen: Qwen3 ASR 1.7B

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Aké limity platia?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: temperature.minimum: 0; temperature.maximum: 1

Qwen: Qwen3 ASR 1.7B