Qwen3-ASR
Auch: Qwen3-ASR-1.7B, Qwen3-ASR-0.6B
Veröffentlicht:
Definition
Qwen3-ASR ist eine Familie von Open-Source-Spracherkennungsmodellen des Qwen-Teams von Alibaba, veröffentlicht am 29. Januar 2026. Sie erkennt 30 Sprachen und 22 chinesische Dialekte und bestimmt, welche gerade gesprochen wird.
Es gibt sie in zwei Größen, Qwen3-ASR-1.7B und Qwen3-ASR-0.6B, dazu ein drittes Modell, Qwen3-ForcedAligner-0.6B, für Zeitstempel. Alle drei stehen unter der Apache-2.0-Lizenz.
Qwen3-ASR ist anders gebaut als ältere Spracherkennungsmodelle. Es ist ein Sprachmodell (LLM), dem man Ohren gegeben hat: Ein Audio-Encoder macht aus Sprache Tokens, und ein Qwen3-Sprachmodell schreibt den Text. Deshalb ist es auch größer als ein Modell, das nur transkribiert.
Die zwei Größen
Die Namen beziehen sich auf das Sprachmodell im Inneren, nicht auf die Gesamtgröße. Laut Paper besteht Qwen3-ASR-1.7B aus Qwen3-1.7B, einem Projektor und einem Audio-Encoder mit 300 Millionen Parametern, und Qwen3-ASR-0.6B verwendet Qwen3-0.6B mit einem Encoder von 180 Millionen. Jedes Modell ist also etwas größer, als sein Name vermuten lässt.
Das größere ist das genauere. Das kleinere ist das schnellere und die richtige Wahl, wenn der Arbeitsspeicher knapp ist.
Sprachen und Dialekte
Laut der Projektseite unterstützt es das Bestimmen der Sprache und Spracherkennung in 52 Sprachen und Dialekten: 30 Sprachen und 22 chinesische Dialekte, dazu englische Akzente aus mehreren Ländern und Regionen.
Das Bestimmen der Sprache ist Teil des Modells. Du musst nicht sagen, welche Sprache kommt. Es findet das selbst heraus und gibt sie mit dem Transkript an.
Was es über reine Transkription hinaus kann
Drei Funktionen nennen seine Entwickler.
- Streaming und Offline-Erkennung im selben Modell, ein Satz Gewichte dient also für Live-Sprache und für Aufnahmen.
- Langes Audio. Das Paper nennt eine Grenze von 20 Minuten für ein einzelnes Stück Sprache.
- Zeitstempel, über den separaten Forced Aligner, für bis zu 5 Minuten Sprache in 11 Sprachen.
Die Grenzen laut seinen Entwicklern
Das Projekt hat keinen Abschnitt namens Einschränkungen, aber seine Dokumentation nennt einige. Streaming gibt es nur mit einem einzigen Serving-Backend, und beim Streaming gibt es keine Zeitstempel. Für Zeitstempel braucht es das zweite Modell. Und die veröffentlichten Geschwindigkeitswerte wurden auf Servern gemessen, die viele Anfragen gleichzeitig bearbeiten. Sie sagen also wenig über eine Person, die am Laptop diktiert.
Auf dem Mac ausführen
Die Originalgewichte werden für Python auf einer Grafikkarte veröffentlicht. Für Apple silicon werden dieselben Gewichte in Apples MLX-Format umgewandelt und meist auf 4 oder 5 Bit quantisiert. Das bringt Download und Speicherbedarf auf Laptop-Größe.
Fragen, die Leute stellen.
Wie viele Sprachen unterstützt Qwen3-ASR?
Seine Entwickler nennen 30 Sprachen und 22 chinesische Dialekte, insgesamt 52, mit eingebauter Bestimmung der Sprache.
Ist Qwen3-ASR Open Source?
Ja. Die Modelle stehen unter der Apache-2.0-Lizenz.
Was ist der Unterschied zwischen Qwen3-ASR-1.7B und 0.6B?
Die Größe des Sprachmodells im Inneren. Das 1.7B-Modell ist das genauere, das 0.6B-Modell ist kleiner und schneller.
Erkennt Qwen3-ASR die Sprache selbst?
Ja. Das Bestimmen der Sprache ist Teil des Modells, die Sprache muss also nicht vorher eingestellt werden.
Liefert Qwen3-ASR Zeitstempel?
Nicht von selbst. Zeitstempel kommen von einem separaten Modell, Qwen3-ForcedAligner-0.6B, für bis zu 5 Minuten Sprache in 11 Sprachen.
Läuft Qwen3-ASR offline auf einem Mac?
Ja. Umgewandelte Builds der veröffentlichten Gewichte laufen nach dem Download ohne Verbindung auf Apple silicon.
