Qwen: Qwen3 ASR 0.6B

Qwen3-ASR-0.6B 是 Qwen 的 Qwen3-ASR 語音辨識系列中的精簡版本。它接收音訊，並輸出附有語言標籤的轉錄文字。開發團隊將 0.6B 定位為兼顧辨識品質與效率的版本，1.7B 則是名稱獨立、規模較大的版本。兩者都運用 Qwen3-Omni 的音訊理解能力，共享文件記載的辨識範圍，以及統一的離線與串流處理方式。這個精簡版本可在語音筆記、字幕準備或可搜尋錄音的流程中，負責轉錄步驟。

語言、方言與支援的錄音

Qwen 記載了對 30 種語言與 22 種中文方言的辨識及語言識別支援，也支援不同地區的英語口音。語言表列出中文、英語、粵語、阿拉伯語、德語、法語、西班牙語、葡萄牙語、印尼語、義大利語、韓語、俄語、泰語、越南語、日語、土耳其語、印地語、馬來語、荷蘭語、瑞典語、丹麥語、芬蘭語、波蘭語、捷克語、菲律賓語、波斯語、希臘語、匈牙利語、馬其頓語與羅馬尼亞語。可辨識的音訊類型包括說話聲、歌唱人聲，以及帶有背景音樂的歌曲。較小版本仍保有這個系列的涵蓋範圍；模型規模不同，並不代表支援的語言清單不同。

離線辨識與輸入準備

官方工具套件可透過檔案參照、編碼音訊，或附有取樣率的波形接收音訊。它支援離線處理多份錄音、自動偵測語言，以及指定所支援的語言。文件記載的結果包含語言與辨識出的文字。已知錄音使用哪種語言時，可以指定該語言；當一批錄音包含未知語言時，也可以交由模型辨識。請將每份錄音的識別碼與結果一併保留，讓轉錄文字能追溯至正確的來源。

處理一組語音筆記時，請為每則筆記保留獨立結果，並在將文字轉成任務或摘要前，對照錄音檢查名稱、數字與不清楚的語句。處理口述教學時，可用轉錄文字定位段落，並檢查每項指示的措辭。檢查歌詞時，請聆聽人聲聲部，不要只因為某個詞放在歌曲中說得通就接受它。這些是文字成果的準備與檢查步驟；轉錄文字的摘要、翻譯或解讀，可以再作為獨立操作進行。

串流文字與錄音的完成處理

Qwen3-ASR 的離線與串流辨識使用同一個模型。在開發團隊的串流範例中，持續傳入的音訊區塊會更新保留中的辨識狀態，完成處理步驟則產生完整文字與語言。這可支援逐步更新的顯示方式，適合正在進行的轉錄。請將暫時顯示的內容視為目前的辨識狀態，並在錄音結束後保留最終結果，同時保留來源音訊以供修正。

文件記載的串流實作，不支援批次推論，也不支援在該串流流程中傳回時間戳記。因此，串流文字、一批離線轉錄結果，以及帶時間標記的字幕準備，是開發團隊的不同流程。範例中的區塊大小與詞元設定只是實作示例，並非通用的延遲、併發數或音訊長度承諾。請依所需成果選擇流程：是在錄音過程中持續取得文字、取得一批錄音的完整文字，還是取得對齊時間軸的文字。

帶時間標記的文字使用 Qwen3-ForcedAligner

Qwen3-ForcedAligner-0.6B 是獨立的對齊模型，即使它與這個 ASR 版本同樣使用 0.6B 的規模標示。它接收一組文字與音訊，並預測詞或字元層級的開始與結束時間。需要時間戳記時，開發團隊的離線 ASR 工具套件可以呼叫它。文件記載的語言包括中文、英語、粵語、法語、德語、義大利語、日語、韓語、葡萄牙語、俄語與西班牙語，所列的對齊範圍為最長五分鐘的語音。這個較小的語言範圍與五分鐘長度，屬於強制對齊的條件，並非 ASR 模型的一般轉錄涵蓋範圍。

製作字幕時，先準備一份經過檢查、使用錄音原語言的轉錄文字，在支援的流程適用時進行對齊，並一邊播放來源音訊，一邊檢查片段邊界。可實際使用的字幕成果會將文字與時間資訊一起保留。若轉錄中的詞有誤，應對照音訊修正文字，不要假設有對應的時間區段就代表文字正確。將這些步驟分開，就能分辨問題出在辨識、提供的文字，還是字幕邊界的位置。

長音訊的轉錄結果與辨識檢查

Qwen3-ASR 系列支援較長的錄音。推論範例建議，較長音訊應允許產生更多詞元，因此請確認轉錄涵蓋錄音結尾，且沒有因輸出額度不足而被截斷。已公布的範例並未確立通用的數值化上下文視窗，或 ASR 錄音長度上限。整理較長錄音以便檢查時，請保留有用片段及其在來源中位置的對應關係。請對照原始聲音檢查聽不清楚的詞、語言切換、重疊說話聲、不常見的名稱與歌唱音節。實際成果是附有語言標籤的辨識文字，可供搜尋或後續內容處理；需要時間資訊時，再透過獨立的對齊流程加入。