Qwen: Qwen3 ASR 0.6B

Qwen3 ASR 0.6B ist ein kompaktes automatisches Spracherkennungsmodell von Qwen. Es gehört zur Kategorie Transkription, seine Aufgabe ist es also, Sprache in geschriebenen Text umzuwandeln, statt konversationelle Antworten zu generieren oder allgemeine Sprachaufgaben zu bearbeiten. Die 0.6B im Namen gibt eine kleine Parameteranzahl an, was es im Vergleich zu größeren Modellen zu einer leichten Option für Spracherkennungsarbeit macht.

Das Modell akzeptiert Audio als Eingabe und erzeugt eine Transkription als Ausgabe. Es unterstützt mehrsprachige Spracherkennung und Transkription über 30 Sprachen und 22 chinesische Dialekte, es kann also sowohl erkennen, welche Sprache gesprochen wird, als auch das Audio in dieser Sprache transkribieren. Es verarbeitet Streaming- und Offline-Transkription. Für dieses Modell ist keine Kontextlänge veröffentlicht, und seine maximale Ausgabe ist in den Modell-Metadaten nicht definiert, daher sollten Sie es in erster Linie als Speech-to-Text-Komponente behandeln und nicht als etwas, in das Sie lange Text-Prompts eingeben.

Aufgrund dieser Fähigkeiten sind die naheliegenden Anwendungsfälle Speech-to-Text-Pipelines, Transkription von Meetings oder Anrufen, Erzeugung von Untertiteln und Bildunterschriften für Audio und Video, Transkription von Sprachnotizen und mehrsprachige Anwendungen, bei denen Sie die Spracherkennung vor oder neben der Transkription benötigen. Die Abdeckung chinesischer Dialekte macht es relevant für Produkte, die chinesischsprachige Nutzer bedienen, deren Audio nicht dem Standard-Mandarin entspricht. Die Streaming-Unterstützung eignet sich für Live- oder nahezu Echtzeit-Transkription, während der Offline-Modus zur Stapelverarbeitung aufgezeichneter Dateien passt.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "qwen/qwen3-asr-0.6b" auf. Da der Endpunkt dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf api14 richten und diese Modell-ID setzen, wobei Sie Audio als Eingabe senden. Für dieses Modell sind keine unterstützten Anfrageparameter aufgeführt, daher sollten Sie nicht annehmen, dass Tuning-Optionen wie temperature oder top_p verfügbar sind, und die Anfrageform ist im Wesentlichen die Audio-Eingabe plus die Modell-ID. Prüfen Sie die Live-Preistabelle auf dieser Seite für aktuelle Tarife.

Eine praktische Einschränkung sollten Sie im Hinterkopf behalten: den Umfang. Dies ist ein Transkriptionsmodell mit Audio-Eingabe und Transkriptions-Ausgabe, kein Chat- oder Reasoning-Modell, daher gehören Aufgaben wie das Zusammenfassen eines Transkripts, das Beantworten von Fragen dazu oder das Generieren von Text aus Anweisungen zu einem anderen Modell. Wenn Sie diese Folgeschritte benötigen, führen Sie die Transkription zuerst hier aus und übergeben Sie das Ergebnis an ein Textmodell.