Qwen: Qwen3 ASR 0.6B
Qwen3-ASR-0.6B là mô hình nhận dạng lời nói gọn nhẹ của Qwen, chuyển âm thanh lời nói hoặc tiếng hát thành văn bản kèm nhận diện ngôn ngữ. Mô hình có cùng phạm vi 30 ngôn ngữ và 22 phương ngữ của dòng sản phẩm, với quy trình ngoại tuyến và truyền luồng, cùng bước căn chỉnh cưỡng bức riêng để gắn thời gian cho văn bản.
Về mô hình
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen3-ASR-0.6B là phiên bản gọn nhẹ trong dòng mô hình nhận dạng lời nói Qwen3-ASR của Qwen. Mô hình nhận âm thanh và tạo bản chép lời kèm nhãn ngôn ngữ. Nhà sản xuất định vị 0.6B ở sự cân bằng giữa chất lượng nhận dạng và hiệu quả, còn 1.7B là phiên bản lớn hơn có tên riêng. Cả hai dựa trên khả năng hiểu âm thanh của Qwen3-Omni và có cùng phạm vi nhận dạng được mô tả trong tài liệu, cùng cách tiếp cận thống nhất cho ngoại tuyến và truyền luồng. Phiên bản gọn nhẹ có thể đảm nhiệm bước chép lời trong quy trình xử lý ghi chú giọng nói, chuẩn bị phụ đề hoặc tạo khả năng tìm kiếm trong bản ghi.
Ngôn ngữ, phương ngữ và các bản ghi được hỗ trợ
Qwen mô tả khả năng nhận dạng và xác định ngôn ngữ cho 30 ngôn ngữ và 22 phương ngữ Trung Quốc, đồng thời hỗ trợ các giọng tiếng Anh ở nhiều khu vực. Bảng ngôn ngữ liệt kê tiếng Trung, Anh, Quảng Đông, Ả Rập, Đức, Pháp, Tây Ban Nha, Bồ Đào Nha, Indonesia, Ý, Hàn, Nga, Thái, Việt, Nhật, Thổ Nhĩ Kỳ, Hindi, Mã Lai, Hà Lan, Thụy Điển, Đan Mạch, Phần Lan, Ba Lan, Séc, Filipino, Ba Tư, Hy Lạp, Hungary, Macedonia và Romania. Các loại âm thanh được nhận dạng gồm lời nói, giọng hát và bài hát có nhạc nền. Phiên bản nhỏ hơn giữ nguyên phạm vi này của dòng sản phẩm; kích thước mô hình không đồng nghĩa với một danh sách ngôn ngữ hỗ trợ khác.
Nhận dạng ngoại tuyến và chuẩn bị đầu vào
Bộ công cụ chính thức có thể nhận âm thanh qua tham chiếu tệp, âm thanh được mã hóa hoặc dạng sóng kèm tần số lấy mẫu. Bộ công cụ hỗ trợ xử lý ngoại tuyến nhiều bản ghi, tự động phát hiện ngôn ngữ và chỉ định một ngôn ngữ được hỗ trợ. Kết quả được mô tả trong tài liệu gồm ngôn ngữ và văn bản được nhận dạng. Chọn ngôn ngữ được nói nếu bạn biết, hoặc để mô hình xác định khi bộ bản ghi có các ngôn ngữ chưa biết. Giữ mã định danh của từng bản ghi bên cạnh kết quả để có thể truy bản chép lời về đúng nguồn.
Với một tập ghi chú giọng nói, giữ kết quả riêng cho từng ghi chú và đối chiếu tên, số, câu không rõ với bản ghi trước khi chuyển văn bản thành công việc hoặc bản tóm tắt. Với bài hướng dẫn bằng lời, dùng bản chép lời để tìm các đoạn và kiểm tra cách diễn đạt của từng chỉ dẫn. Với tiếng hát, hãy nghe phần giọng hát khi kiểm tra ca từ thay vì chấp nhận một từ chỉ vì nó có nghĩa trong bài. Đây là các bước chuẩn bị và kiểm tra sản phẩm văn bản; việc tóm tắt, dịch hoặc diễn giải bản chép lời có thể thực hiện sau như những thao tác riêng.
Văn bản dạng luồng và hoàn tất bản ghi
Qwen3-ASR dùng cùng một mô hình cho nhận dạng ngoại tuyến và truyền luồng. Trong ví dụ truyền luồng của nhà sản xuất, các đoạn âm thanh đến liên tục cập nhật trạng thái nhận dạng được giữ lại, và bước hoàn tất tạo văn bản hoàn chỉnh cùng ngôn ngữ. Cách này hỗ trợ hiển thị tăng dần, hữu ích cho bản chép lời đang diễn ra. Xem nội dung hiển thị tạm thời là trạng thái nhận dạng hiện tại và lưu kết quả cuối sau khi bản ghi kết thúc, đồng thời giữ nguồn âm thanh để sửa lỗi.
Cách triển khai truyền luồng được mô tả không hỗ trợ suy luận theo lô hoặc trả về dấu thời gian trong chính quy trình truyền luồng đó. Vì vậy, văn bản dạng luồng, một tập bản chép lời ngoại tuyến và chuẩn bị phụ đề có thời gian là các quy trình riêng của nhà sản xuất. Kích thước đoạn âm thanh và thiết lập token trong ví dụ chỉ minh họa một cách triển khai; chúng không phải cam kết phổ quát về độ trễ, số tác vụ đồng thời hay độ dài âm thanh. Chọn quy trình theo kết quả hữu ích cần có: văn bản xuất hiện trong khi ghi âm, văn bản hoàn chỉnh cho một bộ bản ghi, hoặc văn bản được căn theo dòng thời gian.
Văn bản có thời gian sử dụng Qwen3-ForcedAligner
Qwen3-ForcedAligner-0.6B là một mô hình căn chỉnh riêng, dù có cùng nhãn kích thước 0.6B với phiên bản ASR này. Mô hình nhận một cặp văn bản–âm thanh và dự đoán thời điểm bắt đầu, kết thúc ở cấp từ hoặc ký tự. Bộ công cụ ASR ngoại tuyến của nhà sản xuất có thể gọi mô hình này khi người dùng yêu cầu dấu thời gian. Tập ngôn ngữ được mô tả gồm tiếng Trung, Anh, Quảng Đông, Pháp, Đức, Ý, Nhật, Hàn, Bồ Đào Nha, Nga và Tây Ban Nha; phạm vi căn chỉnh được công bố là tối đa năm phút lời nói. Tập ngôn ngữ hẹp hơn và phạm vi năm phút này thuộc về căn chỉnh cưỡng bức, không phải phạm vi chép lời nói chung của mô hình ASR.
Để làm phụ đề, chuẩn bị bản chép lời đã kiểm tra bằng ngôn ngữ của bản ghi, căn chỉnh khi quy trình được hỗ trợ phù hợp, rồi kiểm tra ranh giới các đoạn trong khi phát nguồn. Một sản phẩm phụ đề dùng được giữ nội dung và thời gian gắn với nhau. Nếu một từ trong bản chép lời bị sai, hãy sửa dựa trên âm thanh thay vì cho rằng một khoảng thời gian xác nhận từ đó là đúng. Sự tách biệt này giúp xác định vấn đề nằm ở nhận dạng, văn bản được cung cấp hay vị trí ranh giới phụ đề.
Đầu ra cho âm thanh dài và kiểm tra nhận dạng
Dòng Qwen3-ASR hỗ trợ bản ghi dài. Các ví dụ suy luận khuyên cho phép tạo nhiều token hơn với âm thanh dài hơn, vì vậy hãy bảo đảm bản chép lời đến hết bản ghi và không bị cắt do mức token đầu ra được cho phép. Các ví dụ được công bố không xác lập một cửa sổ ngữ cảnh bằng số áp dụng phổ quát hay thời lượng bản ghi ASR tối đa. Giữ các phần hữu ích gắn với vị trí nguồn khi tổ chức bản ghi dài để kiểm tra. Đối chiếu từ bị che lấp, chuyển đổi ngôn ngữ, lời nói chồng lấn, tên lạ và âm tiết được hát với âm thanh gốc. Kết quả thực tế là văn bản được nhận dạng kèm nhãn ngôn ngữ, sẵn sàng cho tìm kiếm hoặc bước xử lý nội dung tiếp theo, với thời gian được bổ sung qua quy trình căn chỉnh riêng khi cần.
Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions qwen/qwen3-asr-0.6b
qwen/qwen3-asr-0.6bBắt đầu
Qwen3-ASR-0.6B là mô hình nhận dạng lời nói gọn nhẹ của Qwen, chuyển âm thanh lời nói hoặc tiếng hát thành văn bản kèm nhận diện ngôn ngữ. Mô hình có cùng phạm vi 30 ngôn ngữ và 22 phương ngữ của dòng sản phẩm, với quy trình ngoại tuyến và truyền luồng, cùng bước căn chỉnh cưỡng bức riêng để gắn thời gian cho văn bản.
- Đầu vào được chấp nhận
- Âm thanh
- Kết quả
- Văn bản
Có trên Ailoot · đầu vào & phương thức
Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions
- Đầu vào
audio- Đầu ra
text
| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen/qwen3-asr-0.6b | Mặc định— |
Trườnginput_audio | Loạiobject | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườnglanguage | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 0 Tối đa: 1 | Mặc định— |
Trườngresponse_format | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn json, verbose_json | Mặc địnhjson |
Trườngtimestamp_granularities | Loạiarray | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Tham số phương thức và vòng đời
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, input_audio |
Tham sốmaterial_types | Hợp đồngaudio |
Tham sốmaterial_conditions | Hợp đồngĐọc tệp WAV thực tế và mã hóa các byte thật cho input_audio JSON đã khai báo; không quảng bá tuyến multipart cho khai báo chính xác chỉ dùng JSON này. |
Vòng đời: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Bảng giá
Cách tính phí cuối cùng
Các đơn giá hiển thị dùng để ước tính chi phí trước khi tạo. Khoản phí cuối cùng được tính dựa trên chi phí ghi nhận cho lượt tạo gốc. Thời lượng đầu ra đo được và số lượng dự kiến không phải là số lượng cuối cùng dùng để tính phí.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
- Chế độ nhanh
- Chưa chỉ định Khi chọn chế độ nhanh
- Chế độ Flex
- Chưa chỉ định Khi chọn chế độ flex
- Mức độ suy luận tối đa
- Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa
Mức phí ước tính để so sánh
Giá theo cấu hình
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Số lượng dự báo | Đơn vị tính phí | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Số lượng dự báo— | Đơn vị tính phí— | Phí Đầu vào · Token đầu vào · Ước tính chỉ để so sánh — / 1K token Đầu ra · Token đầu ra · Ước tính chỉ để so sánh — / 1K token Đầu vào · Đọc bộ nhớ đệm · Ước tính chỉ để so sánh — / 1K token Đầu vào · Ghi bộ nhớ đệm · Ước tính chỉ để so sánh — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ · Ước tính chỉ để so sánh — / 1K token |
| Cấu hìnhGiây âm thanh đầu vào | Biểu mức phí— | Số lượng dự báo— | Đơn vị tính phímỗi giây âm thanh đầu vào | Phí Đầu vào · Giây âm thanh đầu vào · Ước tính chỉ để so sánh $0.00000666 mỗi giây âm thanh đầu vào |
| Cấu hìnhChi phí tạo ước tính | Biểu mức phí— | Số lượng dự báoước tính cho một lần tạo | Đơn vị tính phí— | Phí Đầu ra · Chi phí tạo ước tính · Ước tính chỉ để so sánh $0.00000666 ước tính trước khi tạo Ước tính này không phải là khoản phí bổ sung hay mức giá cố định cho lượt tạo đã hoàn tất. |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
Ví dụ yêu cầu
Ailoot Ultra · Phiên âm
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Nhận và lưu kết quả
Ailoot Ultra · Phiên âm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Lượt đọc nội dung khác
set -eu
: "${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.
Lưu tất cả kết quả đã hoàn tất
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ lại toàn bộ phản hồi và các header, mọi đầu ra thực tế, các định danh gốc đã trả về và mọi trường usage. Khôi phục thao tác gốc mà không gửi lại yêu cầu tạo.
Nếu cần kiểm tra phản hồi gốc
Giữ lại X-Client-Request-ID đã trả về để đối soát. Chỉ truy xuất theo các giá trị task_id/asset_id thực tế đã trả về hoặc từ thư viện nội dung đa phương tiện thuộc quyền sở hữu của bạn; tuyệt đối không tạo URL tác vụ từ ID thao tác và không gửi lại yêu cầu tạo.
Trường phản hồi
| Trường | Loại |
|---|---|
Trườngtext | Loại |
Trườngusage | Loại |
Trườngsegments[] | Loại |
Trườngwords[] | Loại |
Trườngspeaker fields | Loại |
Trườngtimestamps | Loại |
Bí danh
Bí danh mô hình
Ailoot Ultra qwen/qwen3-asr-0.6b
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · Qwen: Qwen3 ASR 0.6B
- Có những đầu vào và kết quả nào?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:audio→text- Yêu cầu sử dụng những trường nào?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Áp dụng những giới hạn nào?
POST /v1/audio/transcriptions·qwen/qwen3-asr-0.6b:temperature.minimum:0;temperature.maximum:1