Qwen3-ASR

이름은 전체 크기가 아니라 내부의 언어 모델을 가리킵니다. 논문에 따르면 Qwen3-ASR-1.7B는 Qwen3-1.7B, 프로젝터, 매개변수 3억 개의 오디오 인코더로 만들어졌고, Qwen3-ASR-0.6B는 Qwen3-0.6B와 매개변수 1억 8천만 개의 인코더를 사용합니다. 따라서 각 모델은 이름에서 짐작되는 것보다 조금 더 큽니다.

큰 모델이 더 정확합니다. 작은 모델은 더 빠르며, 메모리가 부족할 때 고르면 됩니다.

프로젝트 페이지에는 52개 언어 및 방언의 언어 식별과 음성 인식을 지원한다고 나와 있습니다. 30개 언어와 22개 중국어 방언이며, 여러 국가와 지역의 영어 억양도 지원합니다.

언어 식별은 모델의 일부입니다. 어떤 언어로 말할지 미리 알려 줄 필요가 없습니다. 모델이 알아내어 전사본과 함께 알려 줍니다.

개발사가 밝힌 기능은 세 가지입니다.

• 같은 모델로 스트리밍 인식과 오프라인 인식을 모두 하므로, 하나의 가중치로 실시간 음성과 녹음된 음성을 모두 처리합니다.
• 긴 오디오. 논문에서는 한 번에 처리하는 음성의 한도를 20분으로 제시합니다.
• 별도의 강제 정렬기를 통한 타임스탬프. 11개 언어에서 최대 5분 길이의 음성을 지원합니다.

프로젝트에 ‘한계’라는 제목의 섹션은 없지만, 문서에 몇 가지가 나와 있습니다. 스트리밍은 하나의 서빙 백엔드에서만 사용할 수 있고, 스트리밍에서는 타임스탬프가 반환되지 않습니다. 타임스탬프에는 두 번째 모델이 필요합니다. 그리고 공개된 속도 수치는 여러 요청을 동시에 처리하는 서버에서 측정되었으므로, 노트북에서 한 사람이 받아쓰는 상황에 대해서는 알려 주는 것이 거의 없습니다.

원본 가중치는 그래픽 카드에서 실행하는 Python용으로 공개됩니다. Apple 실리콘용으로는 같은 가중치를 Apple의 MLX 형식으로 변환하고 보통 4비트나 5비트로 양자화하여, 다운로드 크기와 메모리 사용량을 노트북에 맞는 수준으로 줄입니다.