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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Språkidentifiering och ljudtäckning\n\nTillverkaren 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.\n\n### Förbereda ljud och få en transkription\n\nTillverkarens 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.\n\nFör 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.\n\n### Strömmande igenkänning och dess omfattning\n\nSamma 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.\n\n### Tider för ord eller tecken med en separat aligner\n\nQwen3-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.\n\nFör 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.\n\n### Långa inspelningar och praktiska begränsningar\n\nFamiljen 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "538c41cdbdf07546a9fe32ce0187783ced012496fbd24ab91a5d02b7921d111a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "qwen/qwen3-asr-1.7bQwen3-ASR-1.7B omvandlar tal och sång till text och identifierar språket. Qwen dokumenterar 30 språk, 22 kinesiska dialekter och offline- eller strömmande igenkänning; tidsangivelser på ordnivå använder ett separat Qwen3-ForcedAligner-flöde.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
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.
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.
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.
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.
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.
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.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-asr-1.7b | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
Fältlanguage | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Minimum: 0 Maximum: 1 | Standard— |
Fältresponse_format | Typstring | KravValfritt | Värden & gränser json, verbose_json | Standardjson |
Fälttimestamp_granularities | Typarray | KravValfritt | Värden & gränser | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
Parametermaterial_conditions | AvtalLäs en faktisk WAV-fil och koda dess verkliga byte för deklarerad JSON-indata i input_audio; ingen multipart-rutt anges för denna exakta deklaration med enbart JSON. |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
De visade priserna används för att uppskatta kostnaden före genereringen. Den slutliga debiteringen beräknas utifrån den kostnad som registrerats för den ursprungliga genereringen. Uppmätt längd på resultatet och uppskattade mängder utgör inte den slutliga debiterbara mängden.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Prognostiserad mängd | Debiteringsenhet | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Prognostiserad mängd— | Debiteringsenhet— | Avgift Indata · Indatatoken · Uppskattning endast för jämförelse — / 1K token Utdata · Utdatatoken · Uppskattning endast för jämförelse — / 1K token Indata · Cacheläsning · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache, 1 tim · Uppskattning endast för jämförelse — / 1K token |
| Konfigurationsekund inkommande ljud | Prislista— | Prognostiserad mängd— | Debiteringsenhetper sekund indataljud | Avgift Indata · sekund inkommande ljud · Uppskattning endast för jämförelse $0.000015 per sekund indataljud |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsenhet— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.000015 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'qwen/qwen3-asr-1.7b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll det returnerade värdet för X-Client-Request-ID för avstämning. Läs endast av resultat via de task_id/asset_id-värden som faktiskt returnerades eller via det mediebibliotek som tillhör dig. Bygg aldrig en uppgifts-URL från operations-ID:t och skicka aldrig skapandeförfrågan igen.
| Fält | Typ |
|---|---|
Fälttext | Typ |
Fältusage | Typ |
Fältsegments[] | Typ |
Fältwords[] | Typ |
Fältspeaker fields | Typ |
Fälttimestamps | Typ |
Ailoot Ultra qwen/qwen3-asr-1.7b
Använd metodsökvägarna som visas ovan.