Qwen3-ASR
Anche: Qwen3-ASR-1.7B, Qwen3-ASR-0.6B
Pubblicato il
Definizione
Qwen3-ASR è una famiglia di modelli open source di riconoscimento vocale del team Qwen di Alibaba, rilasciata il 29 gennaio 2026. Riconosce 30 lingue e 22 dialetti cinesi, e identifica quale viene parlato.
È disponibile in due dimensioni, Qwen3-ASR-1.7B e Qwen3-ASR-0.6B, con un terzo modello, Qwen3-ForcedAligner-0.6B, per i timestamp. Tutti e tre sono rilasciati sotto licenza Apache 2.0.
Qwen3-ASR è costruito in modo diverso dai modelli vocali più vecchi. È un modello linguistico a cui sono state date le orecchie: un encoder audio trasforma il parlato in token, e un modello linguistico Qwen3 scrive il testo. È anche per questo che è più grande di un modello che si limita a trascrivere.
Le due dimensioni
I nomi si riferiscono al modello linguistico interno, non al totale. L’articolo di ricerca spiega che Qwen3-ASR-1.7B è costruito con Qwen3-1.7B, un proiettore e un encoder audio da 300 milioni di parametri, e che Qwen3-ASR-0.6B usa Qwen3-0.6B con un encoder da 180 milioni. Quindi ogni modello è un po’ più grande di quanto suggerisca il nome.
Il più grande è il più preciso. Il più piccolo è il più veloce, ed è quello da scegliere quando la memoria è poca.
Lingue e dialetti
La pagina del progetto dichiara il supporto per l’identificazione della lingua e il riconoscimento vocale in 52 lingue e dialetti: 30 lingue e 22 dialetti cinesi, oltre ad accenti inglesi di diversi paesi e regioni.
L’identificazione della lingua fa parte del modello. Non devi dire quale lingua sta per arrivare: la riconosce da solo e la riporta insieme alla trascrizione.
Cosa sa fare oltre alla semplice trascrizione
I suoi autori dichiarano tre funzioni.
- Riconoscimento in streaming e offline con lo stesso modello, così un solo set di pesi serve sia per il parlato dal vivo sia per quello registrato.
- Audio lungo. L’articolo di ricerca indica un limite di 20 minuti per un singolo brano di parlato.
- Timestamp, tramite l’allineatore forzato separato, per un massimo di 5 minuti di parlato in 11 lingue.
I limiti dichiarati dai suoi autori
Il progetto non ha una sezione dedicata ai limiti, ma la sua documentazione ne indica alcuni. Lo streaming è disponibile con un solo backend di servizio, e in streaming non vengono restituiti timestamp. I timestamp richiedono il secondo modello. E i dati di velocità pubblicati sono stati misurati su server che gestivano molte richieste insieme, quindi dicono poco su una persona che detta su un portatile.
Usarlo su un Mac
I pesi originali sono pubblicati per Python su una scheda grafica. Per Apple silicon, gli stessi pesi vengono convertiti nel formato MLX di Apple e di solito quantizzati a 4 o 5 bit, il che porta il download e l’uso di memoria a dimensioni da portatile.
Le domande più frequenti.
Quante lingue supporta Qwen3-ASR?
I suoi autori dichiarano 30 lingue e 22 dialetti cinesi, 52 in tutto, con l’identificazione della lingua integrata.
Qwen3-ASR è open source?
Sì. I modelli sono rilasciati sotto licenza Apache 2.0.
Qual è la differenza tra Qwen3-ASR-1.7B e 0.6B?
La dimensione del modello linguistico interno. Il modello 1.7B è il più preciso, e il modello 0.6B è più piccolo e più veloce.
Qwen3-ASR rileva la lingua da solo?
Sì. L’identificazione della lingua fa parte del modello, quindi la lingua non va impostata in anticipo.
Qwen3-ASR fornisce i timestamp?
Non da solo. I timestamp vengono da un modello separato, Qwen3-ForcedAligner-0.6B, per un massimo di 5 minuti di parlato in 11 lingue.
Qwen3-ASR può funzionare offline su un Mac?
Sì. Le versioni convertite dei pesi pubblicati girano su Apple silicon senza connessione, una volta scaricate.
