Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B chuyển lời nói và tiếng hát thành văn bản, đồng thời xác định ngôn ngữ. Qwen công bố 30 ngôn ngữ, 22 phương ngữ tiếng Trung và nhận dạng ngoại tuyến hoặc nhận dạng theo luồng; định thời gian từng từ dùng quy trình Qwen3-ForcedAligner riêng.

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

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-1.7B là mô hình nhận dạng giọng nói lớn hơn của Qwen trong họ Qwen3-ASR. Mô hình nhận âm thanh và trả về văn bản nhận dạng cùng nhãn ngôn ngữ. Họ mô hình xây trên nền tảng hiểu âm thanh của Qwen3-Omni và dùng một mô hình ASR cho nhận dạng ngoại tuyến lẫn truyền trực tuyến. Phiên bản 1.7B nhấn mạnh chất lượng nhận dạng, còn phiên bản 0.6B được đặt tên riêng nhấn mạnh hiệu quả. Hai phiên bản vẫn là lựa chọn riêng dù có chung phạm vi ngôn ngữ và quy trình nhận dạng được công bố.

Xác định ngôn ngữ và phạm vi âm thanh

Nhà phát triển liệt kê 30 ngôn ngữ và 22 phương ngữ tiếng Trung, cùng giọng tiếng Anh từ nhiều vùng. Danh sách ngôn ngữ gồm 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. Loại âm thanh được hỗ trợ gồm lời nói, giọng hát và bài hát có nhạc nền. Những khả năng này làm bản chép lời hữu ích cho phỏng vấn, bài giảng, bản ghi giọng nói và rà soát lời bài hát, với âm thanh gốc được giữ để kiểm tra đoạn khó.

Chuẩn bị âm thanh và lấy bản chép lời

Bộ công cụ của nhà phát triển nhận tham chiếu tệp âm thanh, âm thanh được mã hóa hoặc dạng sóng kèm tần số lấy mẫu, và quy trình ngoại tuyến có thể xử lý tập hợp bản ghi. Công cụ có thể tự phát hiện ngôn ngữ hoặc dùng ngôn ngữ được hỗ trợ đã chỉ định. Chọn phát hiện tự động cho bản ghi chưa biết; cung cấp ngôn ngữ thực được nói khi đã biết và liên quan đến tác vụ. Kết quả ví dụ đưa ra ngôn ngữ phát hiện hoặc được chọn và văn bản nhận dạng. Thiết lập ngôn ngữ hướng dẫn nhận dạng bản ghi thay vì xác định yêu cầu viết lại nội dung bằng ngôn ngữ khác.

Với phỏng vấn, giữ bản ghi gắn với ngày, chủ đề và mã định danh nguồn, rồi dùng văn bản trả về làm bản chép lời có thể tìm kiếm. Với bài giảng, giữ thuật ngữ kỹ thuật và biểu thức số khi rà soát thay vì âm thầm thay từ chưa rõ bằng giải thích có vẻ hợp lý. Với bài hát, kiểm tra lời nhận dạng khi nghe tuyến giọng hát, đặc biệt khi nhạc che một âm tiết. Bản chép lời có thể thành đầu vào cho bước tóm tắt, dịch hoặc biên tập riêng sau khi từ ngữ đã được đối chiếu với âm thanh.

Nhận dạng truyền trực tuyến và phạm vi

Cùng họ ASR hỗ trợ nhận dạng khi âm thanh đến. Ví dụ truyền trực tuyến của nhà phát triển đưa các khối âm thanh liên tiếp vào trạng thái nhận dạng được giữ, hiển thị văn bản tạm, rồi kết thúc luồng để có ngôn ngữ và bản chép lời cuối. Phân biệt văn bản tăng dần hiện tại với kết quả hoàn chỉnh khi chuẩn bị phụ đề trực tiếp hoặc bản chép lời đang chạy. Cách triển khai truyền trực tuyến được công bố không kết hợp truyền trực tuyến với suy diễn theo lô và không trả về dấu thời gian; bản chép lời có thời gian dùng quy trình khác. Đây là chi tiết triển khai của nhà phát triển, không phải lời hứa về cơ chế truyền hay giao diện phụ đề trực tiếp của ứng dụng.

Định thời gian từ hoặc ký tự bằng bộ căn chỉnh riêng

Qwen3-ForcedAligner-0.6B căn chỉnh bản ghi âm với văn bản được cung cấp và dự đoán thời điểm bắt đầu, kết thúc ở cấp từ hoặc ký tự. Đây là mô hình riêng với cả hai phiên bản Qwen3-ASR. Bộ công cụ ASR có thể dùng bộ căn chỉnh này khi yêu cầu dấu thời gian trong luồng chép lời ngoại tuyến, hoặc chạy căn chỉnh trên cặp văn bản–âm thanh hiện có. Phạm vi được công bố của bộ căn chỉnh là 11 ngôn ngữ: tiếng Trung, Anh, Quảng Đông, Pháp, Đức, Ý, Nhật, Hàn, Bồ Đào Nha, Nga và Tây Ban Nha. Khoảng lời nói được nêu là tối đa năm phút; đây là phạm vi bộ căn chỉnh, không phải mức trần năm phút cho phiên âm ASR.

Để chuẩn bị phụ đề, trước tiên lấy và rà soát bản chép lời, rồi căn chỉnh với bản ghi nguồn ở nơi quy trình căn chỉnh phù hợp. Dùng thời điểm bắt đầu, kết thúc trả về để chuẩn bị đoạn phụ đề và kiểm tra ranh giới khi nghe. Căn chỉnh liên kết từ được cung cấp với âm thanh; không nên coi là bằng chứng bản chép lời sai đã được sửa. Sản phẩm hữu ích là bản chép lời đã kiểm tra, có thông tin thời gian và giữ liên hệ với bản ghi mà nó mô tả.

Bản ghi dài và giới hạn thực tế

Họ mô hình hỗ trợ chép lời âm thanh dài, và ví dụ chính thức hướng dẫn người dùng cho phép tạo nhiều văn bản hơn khi đầu vào dài hơn. Thiết lập token minh họa là lựa chọn cấu hình, không phải giới hạn ngữ cảnh mô hình hay thời lượng âm thanh áp dụng chung. Lập dung lượng đầu ra theo bản ghi và kiểm tra có phần kết thúc. Đối chiếu tên, số lượng, thay đổi ngôn ngữ, từ bị che và lời nói chồng lấn với âm thanh gốc. Phạm vi ngôn ngữ và độ ổn định với âm thanh khó không bảo đảm bản chép lời hoàn hảo cho mọi giọng, bản ghi hoặc phối nhạc. Kết quả đầy đủ giữ từ ngữ nhận dạng, ngôn ngữ và quan hệ với âm thanh để có thể tìm kiếm, biên tập hoặc dùng trong quy trình nội dung về sau.

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

qwen/qwen3-asr-1.7b

Alibaba /qwen/qwen3-asr-1.7b

Bắt đầu

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
Trường`model`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn qwen/qwen3-asr-1.7b	Mặc định—
Trường`input_audio`	Loại`object`	Yêu cầuBắt buộc	Giá trị & giới hạn	Mặc định—
Trường`language`	Loại`string`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn	Mặc định—
Trường`temperature`	Loại`number`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn Tối thiểu: 0 Tối đa: 1	Mặc định—
Trường`response_format`	Loại`string`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn json, verbose_json	Mặc địnhjson
Trường`timestamp_granularities`	Loại`array`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn	Mặc định—
Trường`provider`	Loại`object`	Yêu cầuKhông bắt buộc	Giá trị & giới hạn	Mặc định—

Tham số phương thức và vòng đời

Tham số	Hợp đồng
Tham số`content_type`	Hợp đồngapplication/json
Tham số`required`	Hợp đồngmodel, input_audio
Tham số`material_types`	Hợp đồngaudio
Tham số`material_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 $0.000015 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 $0.000015 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

curl · nội dung yêu cầu nguyên bản chính xác và kết quả đầy đủ

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.

Nhận và lưu kết quả

Ailoot Ultra · Phiên âm

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

Lượt đọc nội dung khác

Đọc tài nguyên hiện có thuộc về bạn

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
Trường`text`	Loại
Trường`usage`	Loại
Trường`segments[]`	Loại
Trường`words[]`	Loại
Trường`speaker fields`	Loại
Trường`timestamps`	Loại

Bí danh

Bí danh mô hình

Ailoot Ultra qwen/qwen3-asr-1.7b

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

qwen/qwen3-asr-1.7b

FAQ · Qwen: Qwen3 ASR 1.7B

Có những đầu vào và kết quả nào?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: audio → text
Yêu cầu sử dụng những trường nào?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Áp dụng những giới hạn nào?: POST /v1/audio/transcriptions · qwen/qwen3-asr-1.7b: temperature.minimum: 0; temperature.maximum: 1

Qwen: Qwen3 ASR 1.7B