Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B je Qwenov večji model za prepoznavanje govora iz družine Qwen3-ASR. Sprejema zvok in vrača prepoznano besedilo skupaj z oznako jezika. Družina temelji na osnovi Qwen3-Omni za razumevanje zvoka in uporablja en model ASR za prepoznavanje brez povezave in v toku. Izdaja 1.7B poudarja kakovost prepoznavanja, ločeno poimenovana izdaja 0.6B pa učinkovitost. Ti izdaji ostajata različni izbiri, čeprav imata enako dokumentirano jezikovno pokritost in poteke prepoznavanja.

Prepoznavanje jezika in zvočna pokritost

Proizvajalec navaja 30 jezikov in 22 kitajskih narečij ter angleške naglase iz več regij. Seznam jezikov vključuje 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. Podprte vrste zvoka vključujejo govor, pevski glas in pesmi z glasbo v ozadju. Zaradi teh zmožnosti je prepis uporaben za intervjuje, predavanja, glasovne posnetke in pregled besedil pesmi, pri čemer je izvirni zvok ohranjen za preverjanje težavnih odlomkov.

Priprava zvoka in pridobivanje prepisa

Proizvajalčeva zbirka orodij sprejema referenco na zvočno datoteko, kodiran zvok ali valovno obliko skupaj s frekvenco vzorčenja, njen potek brez povezave pa lahko obdela zbirko posnetkov. Jezik lahko zazna samodejno ali uporabi določen podprti jezik. Za neznani posnetek izberite samodejno zaznavanje; kadar je znan in pomemben za nalogo, podajte dejanski govorjeni jezik. Primer rezultata prikazuje zaznani ali izbrani jezik in prepoznano besedilo. Nastavitev jezika usmerja prepoznavanje posnetka, ne določa zahteve za preoblikovanje njegove vsebine v drug jezik.

Pri intervjuju posnetek ohranite povezan z datumom, temo in izvornim identifikatorjem, nato pa vrnjeno besedilo uporabite kot prepis, po katerem je mogoče iskati. Pri predavanju med pregledom ohranite tehnične izraze in numerične izraze, namesto da nejasne besede tiho nadomestite z verjetno razlago. Pri pesmi prepoznano besedilo preverite med poslušanjem pevske linije, zlasti kjer glasba prekrije zlog. Prepis lahko postane vhod za ločen korak povzemanja, prevajanja ali urejanja, ko je njegovo besedilo preverjeno glede na zvok.

Pretočno prepoznavanje in njegov obseg

Ista družina ASR podpira prepoznavanje med prihajanjem zvoka. Proizvajalčev primer pretakanja zaporedne zvočne dele podaja v ohranjeno stanje prepoznavanja, prikazuje vmesno besedilo in nato zaključi tok, da pridobi končni jezik in prepis. Pri pripravi podnapisov v živo ali sprotnega prepisa ohranite razliko med trenutnim postopnim besedilom in dokončanim rezultatom. Dokumentirana pretočna implementacija ne združuje pretakanja s paketnim izvajanjem in ne vrača časovnih oznak; časovno označen prepis uporablja drug potek dela. To so podrobnosti proizvajalčeve implementacije, ne obljuba o prenosu v aplikaciji ali vmesniku za podnapise v živo.

Časovne oznake besed ali znakov z ločenim poravnalnikom

Qwen3-ForcedAligner-0.6B poravna zvočni posnetek s podanim besedilom in napove začetne in končne čase na ravni besed ali znakov. Gre za model, ločen od obeh izdaj Qwen3-ASR. Zbirka orodij ASR lahko ta poravnalnik uporabi, kadar so v njenem poteku prepisovanja brez povezave zahtevane časovne oznake, ali pa je mogoče poravnavo izvesti na obstoječem paru besedila in zvoka. Dokumentirana pokritost poravnalnika obsega 11 jezikov: kitajščino, angleščino, kantonščino, francoščino, nemščino, italijanščino, japonščino, korejščino, portugalščino, ruščino in španščino. Njegov navedeni govorni obseg je do pet minut; to je obseg poravnalnika, ne petminutna zgornja meja prepisovanja ASR.

Pri pripravi podnapisov najprej pridobite in preglejte prepis, nato pa ga poravnajte z izvornim posnetkom, kjer je ta potek poravnave ustrezen. Z vrnjenimi začetnimi in končnimi časi pripravite segmente podnapisov ter med poslušanjem preglejte njihove meje. Poravnava poveže podane besede z zvokom; naj se ne obravnava kot dokaz, da je bil napačen prepis popravljen. Uporaben izdelek je preverjen prepis s časovnimi informacijami, ki ostane povezan s posnetkom, ki ga opisuje.

Dolgi posnetki in praktične omejitve

Družina podpira prepisovanje dolgih zvočnih posnetkov, uradni primeri pa uporabnikom naročajo, naj za daljši vhod omogočijo več generiranega besedila. Njihove ponazoritvene nastavitve žetonov so konfiguracijske izbire, ne splošna omejitev konteksta modela ali trajanja zvoka. Prostor za izhod načrtujte glede na posnetek in preverite, ali je prisoten konec. Imena, količine, jezikovne prehode, prekrite besede in prekrivajoči se govor preverite glede na izvirni zvok. Jezikovna pokritost in robustnost pri zahtevnem zvoku ne jamčita brezhibnega prepisa za vsak naglas, posnetek ali glasbeni aranžma. Popoln rezultat ohrani prepoznano besedilo, njegov jezik in povezavo z zvokom, da ga je mogoče iskati, urejati ali uporabiti v poznejšem poteku dela z vsebino.