Qwen: Qwen3 ASR 1.7B

Qwen3 ASR 1.7B は Qwen の自動音声認識モデルで、api14 にモデル ID qwen/qwen3-asr-1.7b として掲載されています。文字起こしカテゴリに属し、その名称は 1.7B パラメータ規模を反映しています。すでに他の Qwen モデルを利用している場合、これは同じプロバイダーのモデルであり、同じ一般的なファミリーの慣例に従っているため、評価と統合を簡素化できます。

このモデルは音声を入力として受け取り、文字起こしを出力として返します。多言語対応であり、30 言語と 22 の中国語方言にわたる言語識別と文字起こしをサポートします。つまり、音声を送信する前に話されている言語を必ずしも伝える必要はありません。言語識別もこのモデルが行うことの一部だからです。ストリーミング推論とオフライン推論の両方をサポートするため、音声が到着するリアルタイムで使用することも、完全な録音に対して使用することもできます。提供された情報にはコンテキスト長の記載がなく、サポートされるパラメータも指定されていません。

実用的な用途は、これらの機能から直接導かれます。多くの言語と中国語方言を扱うため、通話録音、カスタマーサポートのアーカイブ、話される言語が変動するユーザー生成メディアなど、混在した言語または不明な言語の音声を受け取るアプリケーションに適しています。言語識別の出力は、文字起こしを適切な下流プロセスやレビュアーに振り分けるのに役立ちます。ストリーミング推論は、ライブキャプション、音声インターフェース、完全なファイルの完了を待つことが許容されないあらゆるワークフローに適しています。オフライン推論は、保存された音声のバッチ文字起こし、たとえば検索可能なアーカイブの構築や、録音完了後の字幕生成に適しています。

このモデルは、モデル ID qwen/qwen3-asr-1.7b を使用して api14 の OpenAI 互換 API を通じて呼び出します。インターフェースが OpenAI 互換であるため、既存の OpenAI クライアントライブラリを使用し、api14 のベース URL を指定して、リクエストで音声を送信し、レスポンスから文字起こしを読み取ることができます。モデルページには現在の料金を示すライブ価格表が表示されます。提供された情報にはこのモデルでサポートされるリクエストパラメータが記載されていないため、モデル ID と音声入力以外に何を渡せるかは、モデルページまたは API リファレンスを確認してください。

判断する際に留意すべき点がいくつかあります。このモデルにはコンテキスト長が公開されておらず、サポートされるパラメータも記載されていないため、アプリケーションが生成設定の調整に依存している場合は、コミットする前に実際に何が受け入れられるかを確認する必要があるかもしれません。出力モダリティは文字起こしのみであり、つまり音声を翻訳したり、要約したり、音声に関する質問に答えたりすることはありません。それらの動作が必要な場合は、音声入力を受け入れる汎用言語モデルの方が適しており、このモデルは生の文字起こしステップを担当することになります。