Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B je kompaktna izdaja Qwenove družine modelov za prepoznavanje govora Qwen3-ASR. Sprejme zvok in vrne prepis z oznako jezika. Proizvajalec pri 0.6B poudarja ravnotežje med kakovostjo prepoznavanja in učinkovitostjo, medtem ko je 1.7B ločeno poimenovana večja izdaja. Oba izhajata iz razumevanja zvoka modela Qwen3-Omni ter delita dokumentirani obseg prepoznavanja in enoten pristop k obdelavi brez pretakanja in pretočni obdelavi. Kompaktna izdaja lahko zagotovi prepisovanje v postopku za glasovne beležke, pripravo podnapisov ali posnetke z možnostjo iskanja.

Jeziki, narečja in podprti posnetki

Qwen dokumentira prepoznavanje govora in jezika za 30 jezikov in 22 kitajskih narečij, s podporo za angleške naglase iz različnih regij. Tabela jezikov navaja kitajščino, angleščino, kantonščino, arabščino, nemščino, francoščino, španščino, portugalščino, indonezijščino, italijanščino, korejščino, ruščino, tajščino, vietnamščino, japonščino, turščino, hindijščino, malajščino, nizozemščino, švedščino, danščino, finščino, poljščino, češčino, filipinščino, perzijščino, grščino, madžarščino, makedonščino in romunščino. Med prepoznanimi vrstami zvoka so govor, petje in pesmi z glasbeno spremljavo. Manjša izdaja ohranja ta obseg podpore družine; njena velikost ne pomeni drugačnega seznama podprtih jezikov.

Prepoznavanje brez pretakanja in priprava vhoda

Uradna zbirka orodij lahko sprejme zvok kot sklic na datoteko, kodirani zvok ali valovno obliko s frekvenco vzorčenja. Podpira obdelavo več posnetkov brez pretakanja, samodejno zaznavanje jezika in določitev podprtega jezika. Dokumentirani rezultat vsebuje jezik in prepoznano besedilo. Govorjeni jezik izberite, kadar ga poznate, sicer pa pustite modelu, da ga prepozna, če zbirka vsebuje neznane jezike. Identifikator vsakega posnetka hranite ob rezultatu, da lahko prepis povežete s pravilnim virom.

Pri naboru glasovnih beležk shranite ločen rezultat za vsako beležko in zvočno preverite imena, številke in nejasne izraze, preden besedilo pretvorite v naloge ali povzetek. Pri govorjeni učni vsebini uporabite prepis za iskanje odlomkov in preverjanje besedila posameznih navodil. Pri petju med preverjanjem besedila pesmi poslušajte vokal, namesto da bi besedo sprejeli le zato, ker je v pesmi smiselna. To so koraki priprave in pregleda besedilnega izdelka; povzemanje, prevajanje ali interpretacija prepisa lahko sledijo kot ločene operacije.

Pretočno besedilo in zaključevanje posnetka

Qwen3-ASR uporablja isti model za prepoznavanje brez pretakanja in pretočno prepoznavanje. V proizvajalčevem primeru pretakanja vhodni zvočni kosi posodabljajo ohranjeno stanje prepoznavanja, zaključni korak pa vrne dokončano besedilo in jezik. To podpira postopni prikaz, uporaben za sprotni prepis. Vmesni prikaz obravnavajte kot trenutno stanje prepoznavanja in po koncu posnetka shranite končni rezultat, pri čemer naj zvočni vir ostane na voljo za popravke.

Dokumentirana pretočna izvedba v tem postopku ne podpira paketnega sklepanja ali vračanja časovnih oznak. Pretočno besedilo, zbirka prepisov brez pretakanja in priprava časovno označenih podnapisov so zato ločeni proizvajalčevi postopki. Velikosti zvočnih kosov in nastavitve žetonov v proizvajalčevem primeru ponazarjajo izvedbo; niso splošne obljube glede zakasnitve, sočasnosti ali dolžine zvoka. Postopek izberite glede na to, ali je uporaben rezultat besedilo, ki prihaja med snemanjem, dokončano besedilo zbirke ali besedilo, poravnano s časovnico.

Časovno označeno besedilo uporablja Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B je ločen model za poravnavanje, čeprav si z izdajo ASR deli oznako velikosti 0.6B. Sprejme par besedilo–zvok in napove začetni in končni čas na ravni besed ali znakov. Proizvajalčeva zbirka orodij za ASR brez pretakanja ga lahko prikliče, ko so zahtevane časovne oznake. Dokumentirani nabor jezikov vključuje kitajščino, angleščino, kantonščino, francoščino, nemščino, italijanščino, japonščino, korejščino, portugalščino, ruščino in španščino, navedeni obseg poravnavanja pa je do pet minut govora. Ta ožji nabor jezikov in petminutni obseg veljata za prisilno poravnavanje, ne za splošni obseg prepisovanja modela ASR.

Za podnapise pripravite pregledan prepis v jeziku posnetka, ga poravnajte, kadar je postopek podprt, in med predvajanjem vira preverite meje segmentov. Uporaben izdelek s podnapisi združuje besedilo in časovne podatke. Če je beseda v prepisu napačna, jo popravite na podlagi zvoka, namesto da bi predpostavili, da jo časovni razpon potrjuje. Ta ločitev jasno pokaže, ali je težava v prepoznavanju, v priloženem besedilu ali v umestitvi meje podnapisa.

Izhod pri dolgih zvočnih posnetkih in preverjanje prepoznave

Družina Qwen3-ASR podpira dolge posnetke. Primeri sklepanja svetujejo večje dovoljeno število ustvarjenih žetonov za daljši zvok, zato preverite, ali prepis sega do konca posnetka in ali ga dovoljena količina izhoda ni odrezala. Objavljeni primeri ne določajo splošnega številčnega kontekstnega okna ali najdaljšega trajanja posnetka ASR. Pri urejanju dolgega posnetka za pregled ohranite povezavo med uporabnimi razdelki in njihovimi položaji v viru. Z izvirnim zvokom primerjajte slabo slišne besede, menjave jezika, prekrivajoči se govor, nenavadna imena in pete zloge. Praktični rezultat je prepoznano besedilo z oznako jezika, pripravljeno za iskanje ali naslednji vsebinski korak, s časovnimi podatki, ki se po potrebi dodajo z ločenim postopkom poravnavanja.