Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B เป็นโมเดลรู้จำเสียงพูดขนาดกะทัดรัดของ Qwen สำหรับแปลงเสียงพูดหรือเสียงร้องเป็นข้อความพร้อมระบุภาษา โดยครอบคลุม 30 ภาษาและ 22 ภาษาถิ่นร่วมกับตระกูล มีทั้งกระบวนการออฟไลน์และสตรีมมิง และใช้การจัดแนวแบบบังคับแยกต่างหากสำหรับข้อความพร้อมเวลา

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions qwen/qwen3-asr-0.6b

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Qwen3-ASR-0.6B เป็นรุ่นกะทัดรัดของตระกูลรู้จำเสียงพูด Qwen3-ASR ของ Qwen โดยรับเสียงและให้ข้อความถอดเสียงพร้อมป้ายระบุภาษา ผู้พัฒนาวาง 0.6B ไว้ที่ความสมดุลระหว่างคุณภาพการรู้จำกับประสิทธิภาพ ส่วน 1.7B เป็นรุ่นใหญ่กว่าที่มีชื่อแยก ทั้งสองอาศัยความเข้าใจเสียงจาก Qwen3-Omni และใช้ขอบเขตการรู้จำตามเอกสารกับแนวทางออฟไลน์/สตรีมมิงแบบรวมร่วมกัน รุ่นกะทัดรัดสามารถเป็นขั้นตอนถอดเสียงในกระบวนการสำหรับบันทึกเสียง เตรียมคำบรรยาย หรือสร้างชุดเสียงบันทึกที่ค้นหาได้

ภาษา ภาษาถิ่น และเสียงบันทึกที่รองรับ

Qwen ระบุการรู้จำเสียงพูดและการระบุภาษาสำหรับ 30 ภาษาและ 22 ภาษาถิ่นจีน พร้อมรองรับสำเนียงอังกฤษจากภูมิภาคต่าง ๆ ตารางภาษาระบุจีน อังกฤษ กวางตุ้ง อาหรับ เยอรมัน ฝรั่งเศส สเปน โปรตุเกส อินโดนีเซีย อิตาลี เกาหลี รัสเซีย ไทย เวียดนาม ญี่ปุ่น ตุรกี ฮินดี มลายู ดัตช์ สวีเดน เดนมาร์ก ฟินแลนด์ โปแลนด์ เช็ก ฟิลิปปินส์ เปอร์เซีย กรีก ฮังการี มาซิโดเนีย และโรมาเนีย ประเภทเสียงที่รู้จำได้รวมเสียงพูด เสียงร้อง และเพลงที่มีดนตรีพื้นหลัง รุ่นเล็กยังคงขอบเขตร่วมของตระกูลนี้ ขนาดที่เล็กลงไม่ได้หมายถึงรายการภาษาที่รองรับต่างออกไป

การรู้จำออฟไลน์และเตรียมข้อมูลขาเข้า

ชุดเครื่องมือทางการรับเสียงผ่านข้อมูลอ้างอิงไฟล์ เสียงที่เข้ารหัส หรือรูปคลื่นพร้อมอัตราสุ่มตัวอย่างได้ รองรับการประมวลผลออฟไลน์หลายเสียงบันทึก การตรวจหาภาษาอัตโนมัติ และการกำหนดภาษาที่รองรับ ผลลัพธ์ตามเอกสารประกอบด้วยภาษาและข้อความที่รู้จำ เลือกภาษาที่พูดเมื่อทราบ หรือให้โมเดลตรวจหาเมื่อชุดเสียงมีภาษาที่ไม่ทราบ เก็บตัวระบุของแต่ละเสียงบันทึกไว้ข้างผลลัพธ์ เพื่อย้อนข้อความถอดเสียงกลับไปยังแหล่งที่มาที่ถูกต้องได้

สำหรับชุดบันทึกเสียง ให้เก็บผลลัพธ์แยกสำหรับแต่ละรายการ และตรวจชื่อ ตัวเลข และวลีที่ไม่ชัดกับเสียงบันทึกก่อนเปลี่ยนข้อความเป็นงานหรือบทสรุป สำหรับบทสอนที่พูด ให้ใช้ข้อความถอดเสียงค้นหาช่วงที่ต้องการและตรวจถ้อยคำของแต่ละคำสั่ง สำหรับเสียงร้อง ให้ฟังแนวร้องเมื่อตรวจเนื้อเพลง แทนที่จะยอมรับคำเพียงเพราะเข้ากับความหมายของเพลง ขั้นตอนเหล่านี้คือการเตรียมและตรวจชิ้นงานข้อความ การสรุป แปล หรือตีความข้อความถอดเสียงสามารถตามมาเป็นการดำเนินการแยก

ข้อความสตรีมมิงและการจบเสียงบันทึก

Qwen3-ASR ใช้โมเดลเดียวกันสำหรับการรู้จำออฟไลน์และสตรีมมิง ในตัวอย่างสตรีมมิงของผู้พัฒนา ชิ้นเสียงที่เข้ามาจะอัปเดตสถานะการรู้จำที่เก็บไว้ และขั้นตอนจบงานจะให้ข้อความสมบูรณ์กับภาษา วิธีนี้รองรับการแสดงผลเพิ่มทีละส่วนซึ่งมีประโยชน์สำหรับข้อความถอดเสียงที่กำลังดำเนินอยู่ ให้ถือว่าข้อความระหว่างทางเป็นสถานะการรู้จำปัจจุบัน และเก็บผลลัพธ์สุดท้ายเมื่อการบันทึกจบ พร้อมต้นฉบับเสียงสำหรับแก้ไข

การใช้งานสตรีมมิงที่ระบุในเอกสารไม่รองรับการอนุมานเป็นแบตช์หรือคืนเวลาประทับในกระบวนการสตรีมมิงนั้น ดังนั้นข้อความสตรีมมิง ชุดข้อความถอดเสียงออฟไลน์ และการเตรียมคำบรรยายพร้อมเวลา จึงเป็นกระบวนการของผู้พัฒนาที่แยกกัน ขนาดชิ้นเสียงและค่าตั้งโทเคนในตัวอย่างแสดงการใช้งานรูปแบบหนึ่ง ไม่ใช่คำรับรองสากลเรื่องความหน่วง จำนวนงานพร้อมกัน หรือความยาวเสียง เลือกกระบวนการตามว่าผลลัพธ์ที่ต้องการคือข้อความที่ทยอยมาระหว่างบันทึก ข้อความสมบูรณ์สำหรับเสียงหลายรายการ หรือข้อความที่จัดแนวกับเส้นเวลา

ข้อความพร้อมเวลาใช้ Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B เป็นโมเดลจัดแนวแยก แม้จะใช้ป้ายขนาด 0.6B ร่วมกับ ASR รุ่นนี้ โดยรับคู่ข้อความ–เสียงและทำนายเวลาเริ่มกับสิ้นสุดในระดับคำหรืออักขระ ชุดเครื่องมือ ASR ออฟไลน์ของผู้พัฒนาสามารถเรียกใช้เมื่อขอเวลาประทับ กลุ่มภาษาที่ระบุคือจีน อังกฤษ กวางตุ้ง ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส รัสเซีย และสเปน โดยช่วงเสียงพูดที่จัดแนวได้ตามที่ระบุยาวสูงสุดห้านาที กลุ่มภาษาที่แคบกว่าและช่วงห้านาทีนี้เป็นของการจัดแนวแบบบังคับ ไม่ใช่ขอบเขตทั่วไปในการถอดเสียงของ ASR

สำหรับคำบรรยาย ให้เตรียมข้อความถอดเสียงที่ตรวจแล้วในภาษาของเสียงบันทึก จัดแนวในกรณีที่กระบวนการรองรับ และตรวจขอบเขตช่วงข้อความขณะเล่นต้นฉบับ ชิ้นงานคำบรรยายที่ใช้ได้จะเก็บถ้อยคำกับเวลาไว้ด้วยกัน หากคำในข้อความถอดเสียงผิด ให้แก้จากเสียงจริง แทนที่จะถือว่าช่วงเวลายืนยันความถูกต้องของคำได้ การแยกนี้ช่วยให้เห็นชัดว่าปัญหาอยู่ที่การรู้จำ ข้อความที่ให้มา หรือตำแหน่งขอบเขตคำบรรยาย

ผลลัพธ์สำหรับเสียงยาวและการตรวจสอบการรู้จำ

ตระกูล Qwen3-ASR รองรับเสียงบันทึกยาว ตัวอย่างการอนุมานแนะนำให้จัดสรรโทเคนที่สร้างได้มากขึ้นสำหรับเสียงที่ยาวขึ้น จึงควรตรวจว่าข้อความถอดเสียงถึงปลายเสียงบันทึกและไม่ได้ถูกตัดเพราะขนาดผลลัพธ์ที่อนุญาต ตัวอย่างที่เผยแพร่ไม่ได้กำหนดหน้าต่างบริบทเชิงตัวเลขหรือความยาวสูงสุดของเสียงบันทึก ASR ที่ใช้ได้เป็นสากล เก็บช่วงที่มีประโยชน์เชื่อมกับตำแหน่งในต้นฉบับเมื่อจัดเสียงบันทึกยาวสำหรับตรวจทาน ตรวจคำที่ถูกเสียงอื่นกลบ การสลับภาษา เสียงพูดซ้อน ชื่อที่ไม่คุ้นเคย และพยางค์ที่ร้องเทียบกับเสียงเดิม ผลลัพธ์ที่ใช้จริงคือข้อความที่รู้จำพร้อมป้ายระบุภาษา ซึ่งพร้อมค้นหาหรือใช้ในขั้นตอนเนื้อหาถัดไป โดยเพิ่มเวลาผ่านกระบวนการจัดแนวแยกเมื่อจำเป็น

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions qwen/qwen3-asr-0.6b

qwen/qwen3-asr-0.6b

Alibaba /qwen/qwen3-asr-0.6b

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด qwen/qwen3-asr-0.6b	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`language`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`temperature`	ประเภท`number`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json, verbose_json	ค่าเริ่มต้นjson
ฟิลด์`timestamp_granularities`	ประเภท`array`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดอ่านไฟล์ WAV จริงและเข้ารหัสไบต์จริงสำหรับ input_audio แบบ JSON ที่ประกาศไว้ ข้อกำหนดที่รองรับเฉพาะ JSON นี้ไม่ได้ระบุเส้นทาง multipart

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

วิธีคำนวณค่าบริการสุดท้าย

อัตราที่แสดงใช้ประมาณการค่าใช้จ่ายก่อนการสร้างผลลัพธ์ ยอดเรียกเก็บสุดท้ายคำนวณจากค่าใช้จ่ายที่บันทึกไว้สำหรับการสร้างผลลัพธ์ครั้งเดิม ระยะเวลาของผลลัพธ์ที่วัดได้และปริมาณที่คาดการณ์ไว้ไม่ใช่ปริมาณสุดท้ายที่ใช้คิดค่าบริการ

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราประมาณการเพื่อเปรียบเทียบ

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณคาดการณ์	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การอ่านแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.00000666 ต่อวินาทีของเสียงอินพุต
การตั้งค่าต้นทุนการสร้างโดยประมาณ	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้ง	หน่วยคิดค่าบริการ—	ค่าบริการ ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.00000666 ประมาณการก่อนสร้าง ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'qwen/qwen3-asr-0.6b', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

การอ่านเนื้อหาแบบอื่น

อ่านไฟล์สื่อที่มีอยู่และเป็นของคุณ

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภท
ฟิลด์`usage`	ประเภท
ฟิลด์`segments[]`	ประเภท
ฟิลด์`words[]`	ประเภท
ฟิลด์`speaker fields`	ประเภท
ฟิลด์`timestamps`	ประเภท

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra qwen/qwen3-asr-0.6b

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

qwen/qwen3-asr-0.6b

FAQ · Qwen: Qwen3 ASR 0.6B

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · qwen/qwen3-asr-0.6b: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · qwen/qwen3-asr-0.6b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
มีข้อจำกัดใดบ้าง?: POST /v1/audio/transcriptions · qwen/qwen3-asr-0.6b: temperature.minimum: 0; temperature.maximum: 1

Qwen: Qwen3 ASR 0.6B