Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B แปลงเสียงพูดและเสียงร้องเป็นข้อความพร้อมระบุภาษา Qwen ระบุ 30 ภาษา ภาษาถิ่นจีน 22 แบบ และการรู้จำออฟไลน์หรือสตรีม เวลาในระดับคำใช้ขั้นตอน Qwen3-ForcedAligner แยก

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Qwen3-ASR-1.7B เป็นโมเดลรู้จำเสียงพูดที่ใหญ่กว่าของ Qwen ในตระกูล Qwen3-ASR รับเสียงและส่งข้อความที่รู้จำพร้อมป้ายภาษา ตระกูลสร้างบนพื้นฐานความเข้าใจเสียงของ Qwen3-Omni และใช้โมเดล ASR เดียวสำหรับรู้จำออฟไลน์และสตรีม รุ่น 1.7B เน้นคุณภาพการรู้จำ ส่วนรุ่น 0.6B ที่มีชื่อแยกเน้นประสิทธิภาพ ทั้งสองยังเป็นตัวเลือกต่างกัน แม้ใช้ความครอบคลุมภาษาและขั้นตอนรู้จำที่ระบุร่วมกัน

การระบุภาษาและความครอบคลุมเสียง

ผู้พัฒนาระบุ 30 ภาษาและภาษาถิ่นจีน 22 แบบ รวมสำเนียงอังกฤษจากหลายภูมิภาค รายการภาษามีจีน อังกฤษ กวางตุ้ง อาหรับ เยอรมัน ฝรั่งเศส สเปน โปรตุเกส อินโดนีเซีย อิตาลี เกาหลี รัสเซีย ไทย เวียดนาม ญี่ปุ่น ตุรกี ฮินดี มาเลย์ ดัตช์ สวีเดน เดนมาร์ก ฟินแลนด์ โปแลนด์ เช็ก ฟิลิปิโน เปอร์เซีย กรีก ฮังการี มาซิโดเนีย และโรมาเนีย ประเภทเสียงที่รองรับรวมเสียงพูด เสียงร้อง และเพลงมีดนตรีพื้นหลัง ความสามารถนี้ทำให้ข้อความถอดเสียงมีประโยชน์สำหรับสัมภาษณ์ บรรยาย บันทึกเสียง และตรวจเนื้อเพลง โดยเก็บเสียงเดิมไว้ตรวจส่วนที่ยาก

การเตรียมเสียงและรับข้อความถอดเสียง

ชุดเครื่องมือของผู้พัฒนารับการอ้างอิงไฟล์เสียง เสียงเข้ารหัส หรือรูปคลื่นคู่กับอัตราสุ่มตัวอย่าง และขั้นตอนออฟไลน์ประมวลผลชุดบันทึกได้ ตรวจภาษาอัตโนมัติหรือใช้ภาษารองรับที่ระบุได้ เลือกตรวจอัตโนมัติสำหรับบันทึกที่ไม่ทราบภาษา ให้ภาษาที่พูดจริงเมื่อทราบและเกี่ยวกับงาน ผลตัวอย่างแสดงภาษาที่ตรวจพบหรือเลือกกับข้อความที่รู้จำ การตั้งค่าภาษาช่วยรู้จำบันทึก ไม่ได้กำหนดคำขอเขียนเนื้อหาใหม่เป็นอีกภาษา

สำหรับสัมภาษณ์ เก็บบันทึกผูกกับวันที่ หัวข้อ และตัวระบุต้นทาง แล้วใช้ข้อความส่งกลับเป็นข้อความถอดเสียงค้นหาได้ สำหรับบรรยาย คงศัพท์เทคนิคและนิพจน์ตัวเลขในการตรวจ แทนการแทนคำไม่ชัดด้วยคำอธิบายที่ดูสมเหตุสมผลโดยไม่ระบุ สำหรับเพลง ตรวจเนื้อร้องที่รู้จำขณะฟังแนวเสียงร้อง โดยเฉพาะเมื่อดนตรีบังพยางค์ ข้อความถอดเสียงเป็นข้อมูลเข้าขั้นสรุป แปล หรือบรรณาธิการแยกได้ หลังตรวจถ้อยคำกับเสียงแล้ว

การรู้จำแบบสตรีมและขอบเขต

ตระกูล ASR เดียวกันรองรับการรู้จำขณะเสียงเข้ามา ตัวอย่างสตรีมของผู้พัฒนาป้อนส่วนเสียงต่อเนื่องเข้าสถานะรู้จำที่เก็บไว้ แสดงข้อความชั่วคราว แล้วจบสตรีมเพื่อรับภาษากับข้อความถอดเสียงสุดท้าย แยกข้อความที่เพิ่มขึ้นในปัจจุบันกับผลครบเมื่อเตรียมคำบรรยายสดหรือข้อความถอดเสียงที่กำลังทำงาน การพัฒนาสตรีมที่ระบุไม่รวมสตรีมกับการอนุมานแบบชุดและไม่ส่งเวลา ข้อความถอดเสียงมีเวลาใช้ขั้นตอนต่างกัน เป็นรายละเอียดการพัฒนาของผู้ผลิต ไม่ใช่สัญญาเกี่ยวกับการรับส่งหรืออินเทอร์เฟซคำบรรยายสดของแอปพลิเคชัน

เวลาคำหรือตัวอักษรด้วยโมเดลจัดแนวแยก

Qwen3-ForcedAligner-0.6B จัดแนวบันทึกเสียงกับข้อความที่ให้ และทำนายเวลาเริ่มกับจบระดับคำหรือตัวอักษร เป็นโมเดลแยกจาก Qwen3-ASR ทั้งสองรุ่น ชุดเครื่องมือ ASR ใช้โมเดลจัดแนวนี้เมื่อขอเวลาในขั้นตอนถอดเสียงออฟไลน์ หรือจัดแนวกับคู่ข้อความ–เสียงที่มีแล้วได้ ความครอบคลุมที่ระบุของโมเดลจัดแนวมี 11 ภาษา ได้แก่ จีน อังกฤษ กวางตุ้ง ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส รัสเซีย และสเปน ช่วงเสียงพูดที่ระบุสูงสุดห้านาที นี่เป็นขอบเขตโมเดลจัดแนว ไม่ใช่เพดานห้านาทีสำหรับการถอดเสียง ASR

สำหรับเตรียมซับไตเติล ให้รับและตรวจข้อความถอดเสียงก่อน แล้วจัดแนวกับบันทึกต้นทางในที่ที่ขั้นตอนจัดแนวนั้นเหมาะสม ใช้เวลาเริ่มกับจบที่ส่งกลับเพื่อเตรียมช่วงคำบรรยายและตรวจขอบเขตขณะฟัง การจัดแนวเชื่อมคำที่ให้กับเสียง ไม่ควรมองเป็นหลักฐานว่าข้อความถอดเสียงที่ผิดได้รับการแก้แล้ว ผลงานที่มีประโยชน์คือข้อความถอดเสียงตรวจแล้วพร้อมข้อมูลเวลา ซึ่งยังเชื่อมกับบันทึกที่อธิบาย

บันทึกยาวและข้อจำกัดจริง

ตระกูลรองรับการถอดเสียงยาว และตัวอย่างทางการบอกให้ผู้ใช้เผื่อข้อความที่สร้างมากขึ้นสำหรับข้อมูลเข้าที่ยาวกว่า การตั้งค่าโทเคนตัวอย่างเป็นตัวเลือกกำหนดค่า ไม่ใช่ขีดจำกัดบริบทโมเดลหรือระยะเวลาเสียงสากล วางแผนโควตาผลตามบันทึกและตรวจว่ามีส่วนจบ ตรวจชื่อ ปริมาณ การเปลี่ยนภาษา คำที่ถูกบัง และเสียงพูดซ้อนกับเสียงต้นฉบับ ความครอบคลุมภาษาและความทนต่อเสียงยากไม่รับประกันข้อความถอดเสียงไร้ข้อผิดพลาดสำหรับทุกสำเนียง บันทึก หรือการเรียบเรียงเพลง ผลครบคงถ้อยคำที่รู้จำ ภาษา และความสัมพันธ์กับเสียง เพื่อค้น แก้ หรือใช้ในขั้นตอนเนื้อหาถัดไป

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b

qwen/qwen3-asr-1.7b

Alibaba /qwen/qwen3-asr-1.7b

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-1.7b	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 $0.000015 ต่อวินาทีของเสียงอินพุต
การตั้งค่าต้นทุนการสร้างโดยประมาณ	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้ง	หน่วยคิดค่าบริการ—	ค่าบริการ ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.000015 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-1.7b', '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-1.7b

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

qwen/qwen3-asr-1.7b

FAQ · Qwen: Qwen3 ASR 1.7B

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
มีข้อจำกัดใดบ้าง?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: temperature.minimum: 0; temperature.maximum: 1

Qwen: Qwen3 ASR 1.7B