Qwen3 Omni 30B A3B Captioner

概覽：詳盡描述聲音

Qwen3-Omni-30B-A3B-Captioner 是以 Qwen3-Omni-30B-A3B-Instruct 微調而成的專用音訊描述模型。它將音訊片段轉換為詳盡的文字說明，記錄聽到的內容。Qwen 針對多種類型的素材設計此模型，包括語音、環境聲、音樂、電影音效，以及多個聲源混合的內容。因此，它適合用於替音訊素材建立可搜尋的描述，或檢視短篇媒體片段中的聲音層次。

理解語音與非語音內容

開發者說明，模型可以分析多位說話者、多語言表達、聲音情緒，以及說話方式所暗示的意圖。開發者提供的範例不僅是逐字稿，還會描述人聲的聽感、說話所用的語言，以及周圍的聲學場景。對於非語音音訊，模型會描述環境氛圍、現實世界中的聲音、音樂層次，以及電影或媒體內容中的動態細節。

對於情緒、說話者意圖或文化脈絡的描述，都是對可聽見素材的解讀。應將這些解讀與能直接核對的語音及聲音事件分開看待。音訊描述可以協助審閱者注意語氣變化或背景聲層，但不能用來測量一個人的內在情緒，也不能證明模糊聲音的實際物理來源。

Captioner 版本與輸入規格

這個模型版本採用單輪互動。每次推論只接受一個音訊輸入，不接受文字提示，且僅輸出文字。它包含用於理解音訊的 thinker 元件；公開設定明確停用了音訊輸出。不要因為名稱同屬 Qwen3-Omni 家族，就將其他版本的對話、影像、影片或語音生成功能套用到 Captioner。

不接受文字提示這項規格，在實際使用時很重要。請準備希望模型描述的音訊片段，並將該片段作為完整任務提交。不要附加要求自訂摘要、翻譯、代說話者回答或指定輸出結構的指令。如果工作流程需要這些轉換，應在另一個階段處理回傳的描述，而不是假設這個音訊描述模型版本具有這些控制選項。

準備合適的音訊

Qwen 建議將片段限制在不超過30秒，以取得細緻的描述。這是品質上的建議：過長的音訊可能降低模型對細節的感知能力。它並未被定義為所有情況一律適用的強制拒絕門檻。對於較長的錄音，請在要審閱的事件或場景附近選取具有意義的短片段。將來源識別碼與開始時間保存在模型請求之外，方便日後從回傳描述追溯原始錄音。

保留與問題相關的聲音層次。即使片段以人聲為主，只要背景會影響預期描述，就仍應包含背景聲；音樂或音效素材則應保留重要的轉折，不要在任意位置截斷。分別處理片段有助於保留局部細節，但不表示模型會自動維持不同請求之間的連貫性，或跨請求理解整段錄音。

文字結果的用途

開發者的操作範例展示了先描述語音內容與說話方式，再說明周圍場景的音訊描述；其他範例則描述音樂、音效、強度變化，以及人聲事件的先後順序。音訊目錄可以將回傳文字與素材名稱、時間範圍一起儲存。媒體審閱者可以將其用作聲音紀錄初稿。編輯可以將描述與片段對照，確認是否涵蓋預期的聲音層次。這些都是應用範例，並不表示模型已事先聽過任何特定使用者的素材。

輸出是描述性的音訊說明，並不保證是逐字轉錄稿、說話者分段表、附時間戳記的字幕檔，或生成的配樂。如果需要精確的原話或時間資訊，請對照音訊核查描述，並使用適合產出所需成品的專門流程。內容豐富的描述可能包含推斷出的場景或類型資訊，因此當聲音本身無法明確辨識來源時，應保留其不確定性。

生成範例與限制

開發者的獨立執行範例將模型上下文設為32,768個 token，生成額度設為16,384個 token，並使用 temperature 0.6、top_p 0.95 與 top_k 20。其操作範例手冊則使用8,192個 token 的生成額度，搭配相同的取樣值。這些都是範例設定，並非另外明定的音訊描述長度上限。底層文字設定列出65,536個位置，不應將其解讀為音訊時長保證。

Omni 家族共用的一般工具程式碼或設定欄位，不能取代 Captioner 明確規定的單一音訊、不接受文字提示、僅輸出文字的介面規格。它提供的實用結果，是對短篇可聽見場景的詳盡描述；在將其用作權威紀錄之前，請核對引述的語音、說話者人數，以及推斷的聲源。