Qwen: Qwen3 ASR 0.6B

Qwen3 ASR 0.6B to kompaktowy model automatycznego rozpoznawania mowy od Qwen. Należy do kategorii transkrypcji, więc jego zadaniem jest zamiana mowy na tekst pisany, a nie generowanie odpowiedzi konwersacyjnych czy obsługa ogólnych zadań językowych. Liczba 0.6B w nazwie oznacza małą liczbę parametrów, co czyni go lekką opcją do pracy z rozpoznawaniem mowy w porównaniu z większymi modelami.

Model przyjmuje dźwięk jako dane wejściowe i zwraca transkrypcję jako dane wyjściowe. Obsługuje wielojęzyczną identyfikację języka oraz transkrypcję w 30 językach i 22 dialektach chińskich, więc potrafi zarówno wykryć, w jakim języku mówi się na nagraniu, jak i transkrybować dźwięk w tym języku. Obsługuje transkrypcję strumieniową i offline. Dla tego modelu nie opublikowano długości kontekstu, a jego maksymalna długość danych wyjściowych nie jest zdefiniowana w metadanych modelu, więc należy traktować go przede wszystkim jako komponent zamiany mowy na tekst, a nie coś, do czego wprowadza się długie prompty tekstowe.

Ze względu na te możliwości naturalne zastosowania to potoki zamiany mowy na tekst, transkrypcja spotkań lub rozmów, generowanie napisów i podpisów do materiałów audio i wideo, transkrypcja notatek głosowych oraz aplikacje wielojęzyczne, w których potrzebna jest identyfikacja języka przed transkrypcją lub równolegle z nią. Obsługa dialektów chińskich sprawia, że model jest istotny dla produktów skierowanych do użytkowników mówiących po chińsku, których nagrania nie odpowiadają standardowemu mandaryńskiemu. Obsługa strumieniowania pasuje do transkrypcji na żywo lub w czasie niemal rzeczywistym, natomiast tryb offline odpowiada przetwarzaniu wsadowemu zapisanych plików.

Model wywołuje się przez API zgodne z OpenAI w api14, używając identyfikatora modelu "qwen/qwen3-asr-0.6b". Ponieważ endpoint działa w formacie OpenAI, można skierować istniejącego klienta OpenAI na api14 i ustawić ten identyfikator modelu, wysyłając dźwięk jako dane wejściowe. Dla tego modelu nie podano żadnych obsługiwanych parametrów żądania, więc nie należy zakładać, że dostępne są opcje dostrajania takie jak temperature czy top_p, a struktura żądania to zasadniczo dane wejściowe audio plus identyfikator modelu. Aktualne stawki można sprawdzić w tabeli cen na tej stronie.

Jednym praktycznym ograniczeniem, o którym warto pamiętać, jest zakres. To model transkrypcji z dźwiękiem na wejściu i transkrypcją na wyjściu, a nie model czatu czy rozumowania, więc zadania takie jak streszczanie transkrypcji, odpowiadanie na pytania o nią czy generowanie tekstu na podstawie instrukcji należą do innego modelu. Jeśli potrzebne są te kolejne kroki, najpierw wykonaj transkrypcję tutaj, a wynik przekaż do modelu tekstowego.