Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B är den kompakta versionen i Qwens taligenkänningsfamilj Qwen3-ASR. Den tar emot ljud och producerar en transkription med en språketikett. Tillverkaren positionerar 0.6B kring balansen mellan igenkänningskvalitet och effektivitet, medan 1.7B är den separat namngivna större versionen. Båda bygger på Qwen3-Omnis ljudförståelse och delar det dokumenterade igenkänningsstödet och den gemensamma metoden för offlinebearbetning och strömning. Den kompakta versionen kan stå för transkriptionssteget i ett arbetsflöde för röstanteckningar, förberedelse av undertexter eller sökbara inspelningar.

Språk, dialekter och inspelningar som stöds

Qwen dokumenterar igenkänning och språkidentifiering för 30 språk och 22 kinesiska dialekter, med stöd för engelska accenter från olika regioner. Språktabellen listar kinesiska, engelska, kantonesiska, arabiska, tyska, franska, spanska, portugisiska, indonesiska, italienska, koreanska, ryska, thailändska, vietnamesiska, japanska, turkiska, hindi, malajiska, nederländska, svenska, danska, finska, polska, tjeckiska, filipino, persiska, grekiska, ungerska, makedonska och rumänska. De ljudtyper som kan kännas igen omfattar tal, sångröst och låtar med bakgrundsmusik. Den mindre versionen behåller familjens stöd; storleken innebär inte en annan lista över språk som stöds.

Offlineigenkänning och förberedelse av indata

Den officiella verktygslådan kan ta emot ljud via en filreferens, kodat ljud eller en vågform med dess samplingsfrekvens. Den stöder offlinebearbetning av flera inspelningar, automatisk språkdetektering och ett angivet språk som stöds. Det dokumenterade resultatet innehåller språket och den igenkända texten. Välj det talade språket när du känner till det, eller låt modellen identifiera det när en samling innehåller okända språk. Behåll varje inspelnings identifierare intill resultatet så att transkriptionen kan spåras tillbaka till rätt källa.

För en samling röstanteckningar behåller du ett separat resultat för varje anteckning och granskar namn, siffror och otydliga fraser mot inspelningen innan texten omvandlas till uppgifter eller en sammanfattning. För en muntlig handledning använder du transkriptionen för att hitta avsnitt och kontrollera ordalydelsen i varje instruktion. För sång lyssnar du på sångstämman när du kontrollerar texten i stället för att acceptera ett ord bara för att det passar låtens innehåll. Detta är förberedelse- och granskningssteg för textresultatet; sammanfattning, översättning eller tolkning av transkriptionen kan följa som separata operationer.

Strömmande text och slutförande av en inspelning

Qwen3-ASR använder samma modell för offlineigenkänning och strömmande igenkänning. I tillverkarens strömningsexempel uppdaterar inkommande ljudblock ett bevarat igenkänningstillstånd, och ett avslutande steg ger den färdiga texten och språket. Detta möjliggör en löpande uppdaterad visning som är användbar för en transkription under inspelning. Betrakta den preliminära visningen som det aktuella igenkänningstillståndet och spara slutresultatet när inspelningen är avslutad, med källjudet tillgängligt för korrigering.

Den dokumenterade strömningsimplementationen stöder inte batchinferens eller att tidsstämplar returneras i det strömningsflödet. Strömmande text, en samling offlinetranskriptioner och förberedelse av tidsatta undertexter är därför skilda arbetsflöden hos tillverkaren. Tillverkarens exempel på blockstorlekar och tokeninställningar illustrerar en implementation; de är inte generella löften om latens, samtidighet eller ljudlängd. Välj arbetsflöde efter om det användbara resultatet är text som kommer under en inspelning, färdig text för en samling eller text som är anpassad till en tidslinje.

Tidsatt text använder Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B är en separat aligneringsmodell, trots att den delar storleksbeteckningen 0.6B med denna ASR-version. Den tar emot ett par bestående av text och ljud och förutsäger start- och sluttider på ord- eller teckennivå. Tillverkarens verktygslåda för offline-ASR kan anropa den när tidsstämplar efterfrågas. Dess dokumenterade språk är kinesiska, engelska, kantonesiska, franska, tyska, italienska, japanska, koreanska, portugisiska, ryska och spanska, och det angivna aligneringsintervallet är upp till fem minuters tal. Den smalare språklistan och femminutersintervallet tillhör tidsaligneringen, inte ASR-modellens allmänna transkriptionsstöd.

För undertexter förbereder du en granskad transkription på inspelningens språk, tidsalignerar den där det stödda arbetsflödet är tillämpligt och granskar segmentgränserna medan du spelar upp källan. Ett användbart undertextresultat håller ordalydelse och tidsangivelser samman. Om ett ord i transkriptionen är fel korrigerar du ordalydelsen mot ljudet i stället för att anta att ett tidsintervall bekräftar ordet. Denna uppdelning gör det tydligt om ett problem ligger i igenkänningen, den tillhandahållna texten eller placeringen av en undertextgräns.

Utdata för långt ljud och kontroll av igenkänningen

Qwen3-ASR-familjen stöder långa inspelningar. Inferensexemplen rekommenderar att fler genererade token tillåts för längre ljud, så säkerställ att transkriptionen når slutet av inspelningen och att en utdatagräns inte har kapat den. De publicerade exemplen fastställer inget generellt numeriskt kontextfönster eller någon maximal längd för ASR-inspelningar. Behåll kopplingen mellan användbara avsnitt och deras positioner i källan när du organiserar en längre inspelning för granskning. Kontrollera otydliga ord, språkbyten, överlappande tal, ovanliga namn och sjungna stavelser mot originalljudet. Det praktiska resultatet är igenkänd text med en språketikett, redo för sökning eller ett efterföljande innehållssteg, med tidsangivelser tillagda genom det separata aligneringsflödet när det behövs.