Qwen: Qwen3 ASR 1.7B
Qwen3-ASR-1.7B 將語音及歌唱轉成文字，並識別語言。Qwen 記載 30 種語言、22 種中文方言，以及離線或串流辨識；詞語層級時間資訊使用獨立 Qwen3-ForcedAligner 流程。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Qwen3-ASR-1.7B 是 Qwen3-ASR 系列中較大的語音辨識模型。它接收音訊，回傳辨識文字及語言標籤。此系列以 Qwen3-Omni 的音訊理解為基礎，使用同一 ASR 模型進行離線及串流辨識。1.7B 版本著重辨識品質，另外具名的 0.6B 版本著重效率。即使共享文件記載的語言範圍及辨識流程，這兩個版本仍是不同選項。
語言識別及音訊範圍
開發商列出 30 種語言及 22 種中文方言，也包含多地區英文口音。語言清單包括中文、英文、粵語、阿拉伯文、德文、法文、西班牙文、葡萄牙文、印尼文、義大利文、韓文、俄文、泰文、越南文、日文、土耳其文、印地文、馬來文、荷蘭文、瑞典文、丹麥文、芬蘭文、波蘭文、捷克文、菲律賓文、波斯文、希臘文、匈牙利文、馬其頓文及羅馬尼亞文。支援音訊類型包含語音、歌聲及帶背景音樂的歌曲。這些能力讓逐字稿適用於訪談、講座、語音錄音及歌詞審查，並保留原始音訊以檢查困難段落。
準備音訊並取得逐字稿
開發商工具組接受音訊檔案參考、編碼音訊，或搭配取樣率的波形；離線流程可處理一組錄音。它可以自動偵測語言，或使用指定且受支援的語言。不明錄音請選擇自動偵測；實際說話語言已知且與任務相關時，請提供該語言。範例結果會提供偵測或選定語言及辨識文字。語言設定引導錄音辨識，不是要求把內容改寫成另一種語言。
訪談請將錄音與日期、主題及來源識別碼連結，再將回傳文字作為可搜尋逐字稿。講座審查請保留技術術語及數值表達，不要默默將不清楚字詞替換成看似合理的解釋。歌曲請聆聽人聲旋律並檢查辨識歌詞，尤其音樂掩蓋某個音節時。措辭與音訊核對後，逐字稿可成為另一個摘要、翻譯或編輯步驟的輸入。
串流辨識及其範圍
同一 ASR 系列支援音訊傳入時的辨識。開發商串流範例將連續音訊區塊送入保留的辨識狀態，顯示暫時文字，再結束串流取得最終語言及逐字稿。準備即時字幕或持續更新的逐字稿時，請區分目前增量文字與完成結果。文件記載的串流實作不會結合串流與批次推論，也不回傳時間戳記；附時間逐字稿使用不同流程。這些是開發商實作細節，不是對應用程式傳輸或即時字幕介面的承諾。
使用獨立對齊器取得詞語或字元時間
Qwen3-ForcedAligner-0.6B 將錄音與提供文字對齊，預測詞語或字元層級的開始及結束時間。它與兩個 Qwen3-ASR 版本都是不同模型。ASR 工具組在離線轉錄流程要求時間戳記時可使用此對齊器，也可對現有文字與音訊配對執行對齊。對齊器記載涵蓋 11 種語言：中文、英文、粵語、法文、德文、義大利文、日文、韓文、葡萄牙文、俄文及西班牙文。其記載語音長度最多五分鐘；這是對齊器範圍，不是 ASR 轉錄的五分鐘上限。
準備字幕時，先取得及審查逐字稿，再於適用的對齊流程中與來源錄音對齊。請用回傳開始及結束時間準備字幕片段，並聆聽檢查界線。對齊將提供字詞與音訊連結，不應視為錯誤逐字稿已被修正的證據。實用成果是經過檢查的逐字稿，附有時間資訊，持續連結其描述的錄音。
長錄音及實務限制
此系列支援長音訊轉錄，官方範例指示較長輸入應允許更多生成文字。示範 token 設定是配置選擇，不是通用模型上下文或音訊時長限制。請根據錄音規劃輸出額度，檢查是否包含結尾。根據原始聲音審查名稱、數量、語言變化、遮蔽字詞及重疊語音。語言範圍及對困難音訊的穩健性，不保證每種口音、錄音或音樂編排都能產生完美逐字稿。完整結果保留辨識措辭、語言及與音訊的關係，讓它可搜尋、編輯，或用於後續內容流程。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions qwen/qwen3-asr-1.7b
qwen/qwen3-asr-1.7b入門
Qwen3-ASR-1.7B 將語音及歌唱轉成文字，並識別語言。Qwen 記載 30 種語言、22 種中文方言，以及離線或串流辨識；詞語層級時間資訊使用獨立 Qwen3-ForcedAligner 流程。
- 接受的輸入
- 音訊
- 結果
- 文字
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
text
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 qwen/qwen3-asr-1.7b | 預設值— |
欄位input_audio | 類型object | 要求必填 | 值與限制 | 預設值— |
欄位language | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 最小值: 0 最大值: 1 | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 json, verbose_json | 預設值json |
欄位timestamp_granularities | 類型array | 要求選填 | 值與限制 | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 | 預設值— |
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input_audio |
參數material_types | 規格audio |
參數material_conditions | 規格請讀取實際的 WAV 檔案，並將其真實位元組編碼，用於所宣告的 JSON input_audio；此確切的純 JSON 宣告並未提供 multipart 路由。 |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方案
最終費用的計算方式
顯示的費率用於在生成前估算費用。最終費用依原始生成作業記錄的成本計算。實測的輸出時間長度與預估數量並非最終計費數量。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
供比較的預估費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 預估數量 | 計費單位 | 費用 |
|---|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 預估數量— | 計費單位— | 費用 輸入 · 輸入 Token · 僅供比較的估算 — / 1K Token 輸出 · 輸出 Token · 僅供比較的估算 — / 1K Token 輸入 · 讀取快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取，1 小時 · 僅供比較的估算 — / 1K Token |
| 設定輸入音訊秒數 | 費率表— | 預估數量— | 計費單位每秒輸入音訊 | 費用 輸入 · 輸入音訊秒數 · 僅供比較的估算 $0.000015 每秒輸入音訊 |
| 設定預估生成費用 | 費率表— | 預估數量單次生成估算值 | 計費單位— | 費用 輸出 · 預估生成費用 · 僅供比較的估算 $0.000015 生成前估算 此估算並非額外費用，也不是本次生成完成後的固定費率。 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
接收並儲存結果
Ailoot Ultra · 語音轉文字
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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.
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整回應與標頭、所有實際輸出、原始回傳的識別碼，以及所有用量欄位。恢復原始作業時，請勿再次提交建立請求。
需要檢查原始回應時
保留回傳的 X-Client-Request-ID，以供核對。僅讀取實際回傳的 task_id/asset_id 值或自己擁有的媒體庫；請勿以作業 ID 組成任務 URL，也請勿重新提交建立請求。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text | 類型 |
欄位usage | 類型 |
欄位segments[] | 類型 |
欄位words[] | 類型 |
欄位speaker fields | 類型 |
欄位timestamps | 類型 |
別名
模型別名
Ailoot Ultra qwen/qwen3-asr-1.7b
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Qwen: Qwen3 ASR 1.7B
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- 適用哪些限制？
POST /v1/audio/transcriptions·qwen/qwen3-asr-1.7b:temperature.minimum:0;temperature.maximum:1