Qwen3-ASR

名前が示すのは中の言語モデルの大きさで、全体の大きさではありません。論文によると、Qwen3-ASR-1.7BはQwen3-1.7B、プロジェクタ、3億パラメータのオーディオエンコーダで構成され、Qwen3-ASR-0.6BはQwen3-0.6Bと1億8,000万パラメータのエンコーダを使います。つまり、どちらのモデルも名前から想像するより少し大きくなっています。

大きいほうが精度が高く、小さいほうが速いです。メモリに余裕がないときは小さいほうを選びます。

プロジェクトのページには、52の言語と方言（30の言語と22の中国語方言）での言語識別と音声認識に対応し、さらにいくつかの国や地域の英語のなまりにも対応すると書かれています。

言語識別はモデルに組み込まれています。どの言語を話すかを伝える必要はなく、モデルが判断して、文字起こしと一緒に結果を返します。

開発元は3つの機能を挙げています。

• ストリーミング認識とオフライン認識を同じモデルで行えるので、1組の重みでライブの音声にも録音済みの音声にも使えます。
• 長い音声。論文では、1つの音声の上限を20分としています。
• タイムスタンプ。別のフォースドアライナーを使い、11言語で最大5分の音声に対応します。

プロジェクトに制限事項の項目はありませんが、ドキュメントにいくつか書かれています。ストリーミングは1つのサービングバックエンドでしか使えず、ストリーミングではタイムスタンプが返りません。タイムスタンプには2つ目のモデルが必要です。また、公開されている速度の数値は、多数のリクエストを同時に処理するサーバで測ったものなので、1人がノートパソコンで音声入力するときの参考にはほとんどなりません。

元の重みは、グラフィックスカード上のPython向けに公開されています。Apple silicon向けには、同じ重みをAppleのMLX形式に変換し、たいていは4ビットか5ビットに量子化します。これでダウンロードとメモリ使用量がノートパソコンに収まる大きさになります。