Qwen: Qwen3 ASR 0.6B
Qwen3-ASR-0.6B — gapirilgan yoki kuylangan audioni tilini aniqlagan holda matnga aylantiruvchi ixcham Qwen nutqni tanish modeli. U oilaning 30 til va 22 lahjani qamrab olishini, oflayn va oqimli jarayonlarni hamda vaqt belgilariga ega matn uchun alohida majburiy moslashtirishni saqlaydi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Qwen3-ASR-0.6B — Qwen’ning Qwen3-ASR nutqni tanish oilasidagi ixcham nashr. U audioni qabul qilib, til belgisi bilan transkripsiya chiqaradi. Ishlab chiqaruvchi 0.6B’ni tanish sifati va samaradorlik muvozanatiga yo‘naltiradi, 1.7B esa alohida nomlangan kattaroq nashrdir. Ikkalasi Qwen3-Omni’ning audioni tushunishiga tayanadi va hujjatlashtirilgan tanish qamrovi hamda yagona oflayn/oqimli yondashuvni baham ko‘radi. Ixcham nashr ovozli qaydlar, subtitr tayyorlash yoki qidirish mumkin bo‘lgan yozuvlar jarayonida transkripsiya bosqichini ta’minlashi mumkin.
Tillar, lahjalar va qo‘llanadigan yozuvlar
Qwen 30 til va 22 xitoy lahjasi uchun nutqni tanish va tilni aniqlashni, shuningdek turli hududlardagi ingliz aksentlarini qo‘llab-quvvatlashni hujjatlashtiradi. Til jadvalida xitoy, ingliz, kanton, arab, nemis, fransuz, ispan, portugal, indonez, italyan, koreys, rus, tay, vyetnam, yapon, turk, hind, malay, niderland, shved, dan, fin, polyak, chex, filippin, fors, yunon, venger, makedon va rumin tillari keltirilgan. Taniladigan audio turlariga nutq, kuylangan ovoz va fon musiqasi bor qo‘shiqlar kiradi. Kichikroq nashr shu oilaviy qamrovni saqlaydi; uning hajmi qo‘llab-quvvatlanadigan tillar ro‘yxati boshqacha degani emas.
Oflayn tanish va kirishni tayyorlash
Rasmiy vositalar to‘plami audioni fayl havolasi, kodlangan audio yoki diskretlash chastotasi ko‘rsatilgan to‘lqin shakli orqali qabul qilishi mumkin. U bir nechta yozuvni oflayn qayta ishlash, tilni avtomatik aniqlash va qo‘llab-quvvatlanadigan tilni aniq belgilashni qo‘llaydi. Hujjatlashtirilgan natijada til va tanilgan matn bo‘ladi. Gapirilgan tilni bilsangiz, uni tanlang; to‘plamda noma’lum tillar bo‘lsa, aniqlashni modelga qoldiring. Transkripsiyani to‘g‘ri manbasigacha kuzatish uchun har bir yozuv identifikatorini natijasi yonida saqlang.
Ovozli qaydlar to‘plamida har bir qayd uchun alohida natijani saqlang va matnni vazifalar yoki qisqacha bayonga aylantirishdan oldin nomlar, raqamlar va noaniq iboralarni yozuv bilan tekshiring. Og‘zaki darsda transkripsiyadan parchalarni topish va har bir ko‘rsatmaning matnini tekshirish uchun foydalaning. Qo‘shiq so‘zlarini tekshirganda, biror so‘zni faqat qo‘shiqqa mazmunan mos tushgani uchun qabul qilmasdan, vokalni tinglang. Bular matnli natijani tayyorlash va tekshirish bosqichlari; transkripsiyani qisqacha bayon qilish, tarjima qilish yoki sharhlash keyin alohida amallar sifatida bajarilishi mumkin.
Oqimli matn va yozuvni yakunlash
Qwen3-ASR oflayn va oqimli tanish uchun bir modeldan foydalanadi. Ishlab chiqaruvchining oqimli misolida kelayotgan audio bo‘laklari saqlanadigan tanish holatini yangilaydi, yakunlash bosqichi esa tugallangan matn va tilni beradi. Bu davom etayotgan transkripsiya uchun foydali bo‘lgan bosqichma-bosqich ko‘rsatishni ta’minlaydi. Oraliq ko‘rinishni tanishning joriy holati deb qabul qiling va yozuv tugagach, yakuniy natijani, tuzatish uchun audio manbasi bilan birga saqlang.
Hujjatlashtirilgan oqimli amalga oshirish shu oqimli jarayonda paketli inferensiya yoki vaqt belgilarini qaytarishni qo‘llamaydi. Shuning uchun oqimli matn, oflayn transkripsiyalar to‘plami va vaqt belgilangan subtitr tayyorlash ishlab chiqaruvchining alohida jarayonlaridir. Uning misolidagi bo‘lak o‘lchamlari va token sozlamalari muayyan amalga oshirishni ko‘rsatadi; ular kechikish, parallellik yoki audio uzunligi haqidagi umumiy va’dalar emas. Jarayonni kerakli natija yozuv davomida keladigan matnmi, to‘plam uchun tugallangan matnmi yoki vaqt shkalasiga moslangan matnmi ekaniga qarab tanlang.
Vaqt belgilangan matn Qwen3-ForcedAligner’dan foydalanadi
Qwen3-ForcedAligner-0.6B — ushbu ASR nashri bilan 0.6B hajm belgisini baham ko‘rsa ham, alohida moslashtirish modeli. U matn–audio juftligini olib, so‘z yoki belgi darajasidagi boshlanish va tugash vaqtlarini bashorat qiladi. Vaqt belgilari so‘ralganda ishlab chiqaruvchining oflayn ASR vositalari uni chaqirishi mumkin. Uning hujjatlashtirilgan tillari xitoy, ingliz, kanton, fransuz, nemis, italyan, yapon, koreys, portugal, rus va ispan; e’lon qilingan moslashtirish oralig‘i esa besh daqiqagacha nutqdir. Bu torroq tillar doirasi va besh daqiqalik oraliq ASR modelining umumiy transkripsiya qamroviga emas, majburiy moslashtirishga tegishli.
Subtitrlar uchun yozuv tilida tekshirilgan transkripsiya tayyorlang, mos jarayon qo‘llanadigan joyda uni vaqtga moslashtiring va manbani eshitib, segment chegaralarini tekshiring. Foydalanishga yaroqli subtitr natijasi matn va vaqtlarni birga saqlaydi. Transkripsiyadagi so‘z xato bo‘lsa, vaqt oralig‘i uning to‘g‘riligini tasdiqlaydi deb o‘ylamasdan, matnni audio bo‘yicha tuzating. Bu ajratish muammo tanishda, taqdim etilgan matnda yoki subtitr chegarasining joylashuvida ekanini aniq ko‘rsatadi.
Uzun audio uchun chiqish va tanishni tekshirish
Qwen3-ASR oilasi uzun yozuvlarni qo‘llaydi. Inferensiya misollari uzunroq audio uchun ko‘proq chiqariladigan token ajratishni tavsiya qiladi; shuning uchun transkripsiya yozuv oxirigacha yetganini va chiqish uchun ajratilgan hajm uni kesib qo‘ymaganini tekshiring. E’lon qilingan misollar umumiy raqamli kontekst oynasi yoki ASR yozuvining eng katta davomiyligini belgilamaydi. Uzun yozuvni tekshirish uchun tashkil etayotganda foydali bo‘limlar va ularning manbadagi joylashuvlarini bog‘lab saqlang. Eshitilishi qiyin so‘zlar, til almashishi, ustma-ust nutq, noodatiy nomlar va kuylangan bo‘g‘inlarni asl ovoz bilan tekshiring. Amaliy natija — til belgisi bor tanilgan matn: qidiruv yoki keyingi kontent bosqichi uchun tayyor, zarur bo‘lsa, vaqtlar alohida moslashtirish jarayoni orqali qo‘shiladi.
Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions qwen/qwen3-asr-0.6b
qwen/qwen3-asr-0.6bBoshlash
Qwen3-ASR-0.6B — gapirilgan yoki kuylangan audioni tilini aniqlagan holda matnga aylantiruvchi ixcham Qwen nutqni tanish modeli. U oilaning 30 til va 22 lahjani qamrab olishini, oflayn va oqimli jarayonlarni hamda vaqt belgilariga ega matn uchun alohida majburiy moslashtirishni saqlaydi.
- Qabul qilinadigan kirish ma’lumotlari
- Audio
- Natijalar
- Matn
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions
- Kirish
audio- Chiqish
text
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar qwen/qwen3-asr-0.6b | Standart— |
Maydoninput_audio | Turobject | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonlanguage | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydontemperature | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1 | Standart— |
Maydonresponse_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar json, verbose_json | Standartjson |
Maydontimestamp_granularities | Turarray | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input_audio |
Parametrmaterial_types | Parametr talablariaudio |
Parametrmaterial_conditions | Parametr talablariHaqiqiy WAV faylini o‘qing va e’lon qilingan JSON input_audio uchun uning haqiqiy baytlarini kodlang; faqat JSON uchun berilgan aynan shu deklaratsiyada multipart yo‘nalishi taklif qilinmaydi. |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariflar
Yakuniy to‘lov qanday hisoblanadi
Ko‘rsatilgan tariflar xarajatni generatsiyadan oldin taxminiy hisoblash uchun xizmat qiladi. Yakuniy to‘lov dastlabki generatsiya uchun qayd etilgan xarajat asosida hisoblanadi. Natijaning o‘lchangan davomiyligi va oldindan taxmin qilingan miqdorlar haq undiriladigan yakuniy miqdor hisoblanmaydi.
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Taqqoslash uchun taxminiy tariflar
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | Prognoz miqdori | Hisob birligi | To‘lov |
|---|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | Prognoz miqdori— | Hisob birligi— | To‘lov Kirish · Kirish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Chiqish · Chiqish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshdan o‘qish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish, 1 soat · Faqat taqqoslash uchun taxmin — / 1K token |
| SozlamaKirish audiosi soniyasi | Tariflar jadvali— | Prognoz miqdori— | Hisob birligikirish audiosining soniyasi uchun | To‘lov Kirish · Kirish audiosi soniyasi · Faqat taqqoslash uchun taxmin $0.00000666 kirish audiosining soniyasi uchun |
| SozlamaYaratishning taxminiy qiymati | Tariflar jadvali— | Prognoz miqdoribir generatsiya uchun taxmin | Hisob birligi— | To‘lov Chiqish · Yaratishning taxminiy narxi · Faqat taqqoslash uchun taxmin $0.00000666 yaratishdan oldingi taxmin Bu taxmin qo‘shimcha to‘lov ham, tugallangan generatsiya uchun qat’iy tarif ham emas. |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Transkripsiya
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Natijalarni olish va saqlash
Ailoot Ultra · Transkripsiya
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Boshqa kontentni o‘qish
set -eu
: "${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.
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
To‘liq javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.
Asl javobni tekshirish kerak bo‘lsa
Qaytarilgan X-Client-Request-ID ni ma’lumotlarni solishtirib tekshirish uchun saqlang. Faqat amalda qaytarilgan task_id/asset_id qiymatlari bo‘yicha yoki o‘zingizga tegishli media kutubxonasidan ma’lumot o‘qing; operatsiya ID sidan vazifa URL manzilini hech qachon tuzmang va yaratish so‘rovini qayta yubormang.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydontext | Tur |
Maydonusage | Tur |
Maydonsegments[] | Tur |
Maydonwords[] | Tur |
Maydonspeaker fields | Tur |
Maydontimestamps | Tur |
Taxalluslar
Model taxalluslari
Ailoot Ultra qwen/qwen3-asr-0.6b
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · Qwen: Qwen3 ASR 0.6B
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:audio→text- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Qanday cheklovlar amal qiladi?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:temperature.minimum:0;temperature.maximum:1