Qwen: Qwen3 ASR 0.6B

Qwen3 ASR 0.6B es un modelo compacto de reconocimiento automático de voz de Qwen. Pertenece a la categoría de transcripción, por lo que su función es convertir voz en texto escrito en lugar de generar respuestas conversacionales o manejar tareas de lenguaje de propósito general. El 0.6B en el nombre indica un recuento pequeño de parámetros, lo que lo convierte en una opción ligera para trabajo de reconocimiento de voz en comparación con modelos más grandes.

El modelo acepta audio como entrada y produce una transcripción como salida. Admite identificación de idioma multilingüe y transcripción en 30 idiomas y 22 dialectos chinos, por lo que puede tanto detectar qué idioma se está hablando como transcribir el audio en ese idioma. Maneja transcripción en streaming y sin conexión. No se publica ninguna longitud de contexto para este modelo, y su salida máxima no está definida en los metadatos del modelo, por lo que deberías tratarlo principalmente como un componente de voz a texto en lugar de algo en lo que introduces prompts de texto largos.

Debido a esas capacidades, los casos de uso naturales son pipelines de voz a texto, transcripción de reuniones o llamadas, generación de subtítulos y rótulos para audio y video, transcripción de notas de voz, y aplicaciones multilingües donde necesitas identificación de idioma antes o junto con la transcripción. La cobertura de dialectos chinos lo hace relevante para productos que sirven a usuarios de habla china cuyo audio no coincide con el mandarín estándar. El soporte de streaming se adapta a transcripción en vivo o casi en tiempo real, mientras que el modo sin conexión encaja con el procesamiento por lotes de archivos grabados.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "qwen/qwen3-asr-0.6b". Debido a que el endpoint sigue el formato de OpenAI, puedes apuntar un cliente de OpenAI existente a api14 y establecer ese id de modelo, enviando audio como entrada. No se listan parámetros de solicitud admitidos para este modelo, por lo que no deberías asumir que opciones de ajuste como temperature o top_p estén disponibles, y la forma de la solicitud es esencialmente la entrada de audio más el id de modelo. Consulta la tabla de precios en vivo en esta página para las tarifas actuales.

Un límite práctico a tener en cuenta es el alcance. Este es un modelo de transcripción con entrada de audio y salida de transcripción, no un modelo de chat o razonamiento, por lo que tareas como resumir una transcripción, responder preguntas sobre ella o generar texto a partir de instrucciones pertenecen a un modelo diferente. Si necesitas esos pasos de seguimiento, ejecuta la transcripción aquí primero y pasa el resultado a un modelo de texto.