Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B är Qwens större taligenkänningsmodell i Qwen3-ASR-familjen. Den tar emot ljud och returnerar igenkänd text tillsammans med en språketikett. Familjen bygger på grunden för ljudförståelse i Qwen3-Omni och använder en ASR-modell för både offlineigenkänning och strömmande igenkänning. 1.7B-utgåvan betonar igenkänningskvalitet, medan den separat namngivna 0.6B-utgåvan betonar effektivitet. Utgåvorna är fortfarande separata val även om de delar den dokumenterade språktäckningen och igenkänningsflödena.

Språkidentifiering och ljudtäckning

Tillverkaren anger 30 språk och 22 kinesiska dialekter samt engelska accenter från flera regioner. Språklistan omfattar kinesiska, engelska, kantonesiska, arabiska, tyska, franska, spanska, portugisiska, indonesiska, italienska, koreanska, ryska, thailändska, vietnamesiska, japanska, turkiska, hindi, malajiska, nederländska, svenska, danska, finska, polska, tjeckiska, filippinska, persiska, grekiska, ungerska, makedonska och rumänska. De ljudtyper som stöds omfattar tal, sångröst och sånger med bakgrundsmusik. Förmågorna gör transkriptionen användbar för intervjuer, föreläsningar, röstinspelningar och granskning av sångtexter, med originalljudet bevarat för kontroll av svåra passager.

Förbereda ljud och få en transkription

Tillverkarens verktygssats tar emot en ljudfilsreferens, kodat ljud eller en vågform tillsammans med dess samplingsfrekvens, och offlineflödet kan bearbeta en samling inspelningar. Den kan upptäcka språket automatiskt eller använda ett angivet språk som stöds. Välj automatisk identifiering för en okänd inspelning; ange det faktiska talade språket när det är känt och relevant för uppgiften. Exempelresultatet visar det upptäckta eller valda språket och den igenkända texten. Språkinställningen vägleder igenkänningen av inspelningen snarare än att definiera en begäran om att skriva om dess innehåll på ett annat språk.

För en intervju bör du behålla kopplingen mellan inspelningen och dess datum, ämne och källidentifierare och sedan använda den returnerade texten som en sökbar transkription. För en föreläsning bör du bevara facktermer och numeriska uttryck vid granskning i stället för att obemärkt ersätta otydliga ord med en rimligt klingande förklaring. För en sång bör du kontrollera den igenkända sångtexten medan du lyssnar på sångstämman, särskilt när musiken döljer en stavelse. Transkriptionen kan bli indata till ett separat steg för sammanfattning, översättning eller redigering när ordalydelsen har kontrollerats mot ljudet.

Strömmande igenkänning och dess omfattning

Samma ASR-familj stöder igenkänning medan ljudet anländer. Tillverkarens strömmande exempel matar successiva ljudsegment till ett bibehållet igenkänningstillstånd, visar preliminär text och avslutar sedan strömmen för att få det slutliga språket och transkriptionen. Skilj den aktuella successivt framväxande texten från det färdiga resultatet när du förbereder direkttextning eller en löpande transkription. Den dokumenterade strömmande implementeringen kombinerar inte strömning med batchinferens och returnerar inte tidsstämplar; en tidsatt transkription använder ett annat arbetsflöde. Detta är detaljer i tillverkarens implementering, inte ett löfte om en applikations överföring eller gränssnitt för direkttextning.

Tider för ord eller tecken med en separat aligner

Qwen3-ForcedAligner-0.6B anpassar en ljudinspelning till angiven text och förutsäger start- och sluttider på ord- eller teckennivå. Det är en separat modell från båda Qwen3-ASR-utgåvorna. ASR-verktygssatsen kan använda denna aligner när tidsstämplar begärs i offlineflödet för transkription, eller så kan anpassningen köras på ett befintligt text–ljud-par. Alignerns dokumenterade täckning är 11 språk: kinesiska, engelska, kantonesiska, franska, tyska, italienska, japanska, koreanska, portugisiska, ryska och spanska. Dess angivna talspann är upp till fem minuter; detta är alignerns omfattning, inte ett femminuterstak för ASR-transkription.

För att förbereda undertexter bör du först få fram och granska transkriptionen och sedan anpassa den till källinspelningen när det arbetsflödet är lämpligt. Använd de returnerade start- och sluttiderna för att förbereda textningssegment och kontrollera gränserna medan du lyssnar. Anpassningen kopplar angivna ord till ljud; den bör inte behandlas som bevis för att en felaktig transkription har rättats. Den användbara leveransen är en kontrollerad transkription med tidsinformation som fortfarande är kopplad till inspelningen den beskriver.

Långa inspelningar och praktiska begränsningar

Familjen stöder transkription av långt ljud, och de officiella exemplen instruerar användare att tillåta mer genererad text för längre indata. De illustrativa tokeninställningarna är konfigurationsval snarare än en universell gräns för modellkontext eller ljudlängd. Planera utrymmet för utdata efter inspelningen och kontrollera att slutet finns med. Granska namn, mängder, språkbyten, otydliga ord och överlappande tal mot originalljudet. Språktäckning och robusthet för utmanande ljud garanterar inte en felfri transkription för varje accent, inspelning eller musikarrangemang. Ett fullständigt resultat bevarar den igenkända ordalydelsen, dess språk och dess koppling till ljudet så att det kan sökas, redigeras eller användas i ett senare innehållsflöde.