Glossaire / Comment il vous entend
Qwen3-ASR
Aussi : Qwen3-ASR-1.7B, Qwen3-ASR-0.6B
Publié le
Définition
Qwen3-ASR est une famille de modèles open source de reconnaissance vocale de l’équipe Qwen d’Alibaba, publiée le 29 janvier 2026. Elle reconnaît 30 langues et 22 dialectes chinois, et identifie celui qui est parlé.
Elle existe en deux tailles, Qwen3-ASR-1.7B et Qwen3-ASR-0.6B, avec un troisième modèle, Qwen3-ForcedAligner-0.6B, pour les horodatages. Les trois sont publiés sous licence Apache 2.0.
Qwen3-ASR est construit différemment des anciens modèles vocaux. C’est un modèle de langage à qui l’on a donné des oreilles : un encodeur audio transforme la parole en tokens, et un modèle de langage Qwen3 écrit le texte. C’est aussi pourquoi il est plus gros qu’un modèle qui ne fait que transcrire.
Les deux tailles
Les noms désignent le modèle de langage intégré, pas le total. L’article explique que Qwen3-ASR-1.7B est construit avec Qwen3-1.7B, un projecteur et un encodeur audio de 300 millions de paramètres, et que Qwen3-ASR-0.6B utilise Qwen3-0.6B avec un encodeur de 180 millions. Chaque modèle est donc un peu plus gros que ne le suggère son nom.
Le plus grand est le plus précis. Le plus petit est le plus rapide, et c’est celui à choisir quand la mémoire est limitée.
Langues et dialectes
La page du projet annonce l’identification de la langue et la reconnaissance vocale dans 52 langues et dialectes : 30 langues et 22 dialectes chinois, ainsi que des accents anglais de plusieurs pays et régions.
L’identification de la langue fait partie du modèle. Vous n’avez pas à dire quelle langue arrive : il la détermine et l’indique avec la transcription.
Ce qu’il sait faire au-delà de la simple transcription
Ses créateurs annoncent trois fonctions.
- Reconnaissance en streaming et hors ligne avec le même modèle : un seul jeu de poids sert à la parole en direct comme à la parole enregistrée.
- Audio long. L’article donne une limite de 20 minutes pour un seul segment de parole.
- Horodatages, via le modèle d’alignement forcé séparé, pour jusqu’à 5 minutes de parole dans 11 langues.
Les limites annoncées par ses créateurs
Le projet n’a pas de section consacrée aux limites, mais sa documentation en mentionne quelques-unes. Le streaming n’est disponible qu’avec un seul backend de service, et il ne renvoie pas d’horodatages. Les horodatages nécessitent le second modèle. Et les chiffres de vitesse publiés ont été mesurés sur des serveurs qui traitent de nombreuses requêtes à la fois : ils disent peu de chose d’une personne qui dicte sur un portable.
Le faire tourner sur un Mac
Les poids d’origine sont publiés pour Python sur carte graphique. Pour Apple silicon, les mêmes poids sont convertis au format MLX d’Apple et généralement quantifiés sur 4 ou 5 bits, ce qui ramène le téléchargement et la mémoire utilisée à la taille d’un portable.
Les questions qu’on se pose.
Combien de langues Qwen3-ASR prend-il en charge ?
Ses créateurs annoncent 30 langues et 22 dialectes chinois, 52 au total, avec l’identification de la langue intégrée.
Qwen3-ASR est-il open source ?
Oui. Les modèles sont publiés sous licence Apache 2.0.
Quelle est la différence entre Qwen3-ASR-1.7B et 0.6B ?
La taille du modèle de langage intégré. Le modèle 1.7B est le plus précis, et le modèle 0.6B est plus petit et plus rapide.
Qwen3-ASR détecte-t-il la langue tout seul ?
Oui. L’identification de la langue fait partie du modèle : inutile de régler la langue à l’avance.
Qwen3-ASR fournit-il des horodatages ?
Pas à lui seul. Les horodatages viennent d’un modèle séparé, Qwen3-ForcedAligner-0.6B, pour jusqu’à 5 minutes de parole dans 11 langues.
Qwen3-ASR peut-il fonctionner hors ligne sur un Mac ?
Oui. Une fois téléchargées, des versions converties des poids publiés tournent sur Apple silicon sans connexion.
