Qwen3-ASR
También: Qwen3-ASR-1.7B, Qwen3-ASR-0.6B
Publicado el
Definición
Qwen3-ASR es una familia de modelos de reconocimiento de voz de código abierto del equipo Qwen de Alibaba, publicada el 29 de enero de 2026. Reconoce 30 idiomas y 22 dialectos del chino, e identifica cuál se está hablando.
Viene en dos tamaños, Qwen3-ASR-1.7B y Qwen3-ASR-0.6B, con un tercer modelo, Qwen3-ForcedAligner-0.6B, para las marcas de tiempo. Los tres se publican bajo la licencia Apache 2.0.
Qwen3-ASR está construido de otra forma que los modelos de voz más antiguos. Es un modelo de lenguaje al que se le han dado oídos: un codificador de audio convierte la voz en tokens y un modelo de lenguaje Qwen3 escribe el texto. Por eso también es más grande que un modelo que solo transcribe.
Los dos tamaños
Los nombres se refieren al modelo de lenguaje que llevan dentro, no al total. El artículo explica que Qwen3-ASR-1.7B se construye con Qwen3-1.7B, un proyector y un codificador de audio de 300 millones de parámetros, y que Qwen3-ASR-0.6B usa Qwen3-0.6B con un codificador de 180 millones. Así que cada modelo es algo más grande de lo que sugiere su nombre.
El más grande es el más preciso. El más pequeño es el más rápido, y es el que conviene elegir cuando la memoria es justa.
Idiomas y dialectos
La página del proyecto indica que admite identificación de idioma y reconocimiento de voz en 52 idiomas y dialectos: 30 idiomas y 22 dialectos del chino, además de acentos del inglés de varios países y regiones.
La identificación del idioma forma parte del modelo. No tienes que decirle qué idioma viene; lo averigua y lo indica junto con la transcripción.
Lo que puede hacer además de transcribir
Sus creadores indican tres funciones.
- Reconocimiento en streaming y en diferido con el mismo modelo, así que un solo conjunto de pesos sirve para la voz en directo y para la grabada.
- Audio largo. El artículo da un límite de 20 minutos para un único fragmento de voz.
- Marcas de tiempo, mediante el alineador forzado aparte, para hasta 5 minutos de voz en 11 idiomas.
Los límites que indican sus creadores
El proyecto no tiene una sección titulada limitaciones, pero su documentación menciona algunas. El streaming solo está disponible con un backend de servicio, y en streaming no se devuelven marcas de tiempo. Las marcas de tiempo necesitan el segundo modelo. Y las cifras de velocidad publicadas se midieron en servidores que atendían muchas solicitudes a la vez, así que dicen poco de una persona dictando en un portátil.
Ejecutarlo en un Mac
Los pesos originales se publican para Python en una tarjeta gráfica. Para Apple silicon, los mismos pesos se convierten al formato MLX de Apple y normalmente se cuantizan a 4 o 5 bits, lo que reduce la descarga y el uso de memoria al tamaño de un portátil.
Preguntas que hace la gente.
¿Cuántos idiomas admite Qwen3-ASR?
Sus creadores indican 30 idiomas y 22 dialectos del chino, 52 en total, con identificación del idioma integrada.
¿Es Qwen3-ASR de código abierto?
Sí. Los modelos se publican bajo la licencia Apache 2.0.
¿Qué diferencia hay entre Qwen3-ASR-1.7B y 0.6B?
El tamaño del modelo de lenguaje que llevan dentro. El modelo 1.7B es el más preciso, y el modelo 0.6B es más pequeño y más rápido.
¿Detecta Qwen3-ASR el idioma por sí solo?
Sí. La identificación del idioma forma parte del modelo, así que no hace falta indicar el idioma de antemano.
¿Da Qwen3-ASR marcas de tiempo?
No por sí solo. Las marcas de tiempo vienen de un modelo aparte, Qwen3-ForcedAligner-0.6B, para hasta 5 minutos de voz en 11 idiomas.
¿Puede funcionar Qwen3-ASR sin conexión en un Mac?
Sí. Las versiones convertidas de los pesos publicados funcionan en Apple silicon sin conexión una vez descargadas.
