Qwen: Qwen3 ASR 1.7B

Qwen3 ASR 1.7B to model automatycznego rozpoznawania mowy od Qwen, wymieniony na api14 pod identyfikatorem modelu qwen/qwen3-asr-1.7b. Należy do kategorii transkrypcji, a jego nazwa odzwierciedla skalę 1.7B parametrów. Jeśli pracujesz już z innymi modelami Qwen, ten pochodzi od tego samego dostawcy i przestrzega tych samych ogólnych konwencji rodziny, co może uprościć ocenę i integrację.

Model przyjmuje dźwięk jako dane wejściowe i zwraca transkrypcję jako dane wyjściowe. Jest wielojęzyczny: obsługuje identyfikację języka i transkrypcję w 30 językach oraz 22 dialektach chińskich. Oznacza to, że nie musisz koniecznie informować go, jaki język jest używany, zanim wyślesz dźwięk, ponieważ identyfikacja języka jest częścią jego działania. Obsługuje zarówno wnioskowanie strumieniowe, jak i offline, więc można go używać w czasie rzeczywistym w miarę napływania dźwięku lub dla kompletnych nagrań. Podane informacje nie zawierają długości kontekstu, a obsługiwane parametry nie są określone.

Praktyczne zastosowania wynikają bezpośrednio z tych możliwości. Ponieważ obsługuje wiele języków i dialektów chińskich, pasuje do aplikacji, które otrzymują dźwięk w mieszanych lub nieznanych językach, takich jak nagrania rozmów, archiwa obsługi klienta lub media tworzone przez użytkowników, w których język mówiony jest różny. Wynik identyfikacji języka jest przydatny do kierowania transkrypcji do właściwego procesu lub recenzenta. Wnioskowanie strumieniowe odpowiada napisom na żywo, interfejsom głosowym i każdemu przepływowi pracy, w którym czekanie na zakończenie całego pliku jest nieakceptowalne. Wnioskowanie offline odpowiada transkrypcji wsadowej przechowywanego dźwięku, na przykład tworzeniu przeszukiwalnych archiwów lub generowaniu napisów po zakończeniu nagrania.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu qwen/qwen3-asr-1.7b. Ponieważ interfejs jest zgodny z OpenAI, możesz użyć istniejących bibliotek klienta OpenAI i skierować je na bazowy adres URL api14, wysyłając dźwięk w żądaniu i odczytując transkrypcję z odpowiedzi. Strona modelu pokazuje aktualną tabelę cen dla bieżących stawek. Informacje nie zawierają żadnych obsługiwanych parametrów żądania dla tego modelu, więc sprawdź stronę modelu lub dokumentację API, aby dowiedzieć się, co możesz przekazać poza identyfikatorem modelu i danymi wejściowymi dźwięku.

Jest kilka rzeczy, o których warto pamiętać przy podejmowaniu decyzji. Dla tego modelu nie opublikowano długości kontekstu ani nie wymieniono żadnych obsługiwanych parametrów, więc jeśli Twoja aplikacja zależy od dostrajania ustawień generowania, możesz potrzebować potwierdzić, co jest faktycznie akceptowane przed podjęciem decyzji. Modalność wyjściowa to tylko transkrypcja, co oznacza, że nie będzie tłumaczyć, streszczać ani odpowiadać na pytania dotyczące dźwięku. Jeśli potrzebujesz takich zachowań, lepiej pasowałby ogólnego przeznaczenia model językowy, który przyjmuje dźwięk jako dane wejściowe, a ten model obsługiwałby surowy krok transkrypcji.