Glossário / Como ele ouve você
Qwen3-ASR
Também: Qwen3-ASR-1.7B, Qwen3-ASR-0.6B
Publicado em
Definição
O Qwen3-ASR é uma família de modelos de reconhecimento de fala de código aberto da equipe Qwen, da Alibaba, lançada em 29 de janeiro de 2026. Reconhece 30 idiomas e 22 dialetos chineses e detecta qual é falado.
Ele vem em dois tamanhos, Qwen3-ASR-1.7B e Qwen3-ASR-0.6B, com um terceiro modelo, o Qwen3-ForcedAligner-0.6B, para marcas de tempo. Os três são distribuídos sob a licença Apache 2.0.
O Qwen3-ASR é construído de um jeito diferente dos modelos de fala mais antigos. É um modelo de linguagem que ganhou ouvidos: um codificador de áudio transforma a fala em tokens, e um modelo de linguagem Qwen3 escreve o texto. É também por isso que ele é maior que um modelo que só transcreve.
Os dois tamanhos
Os nomes se referem ao modelo de linguagem interno, não ao total. O artigo explica que o Qwen3-ASR-1.7B é construído com o Qwen3-1.7B, um projetor e um codificador de áudio de 300 milhões de parâmetros, e que o Qwen3-ASR-0.6B usa o Qwen3-0.6B com um codificador de 180 milhões. Então cada modelo é um pouco maior do que o nome sugere.
O maior é o mais preciso. O menor é o mais rápido, e é o que você deve escolher quando a memória está apertada.
Idiomas e dialetos
A página do projeto informa suporte a identificação de idioma e reconhecimento de fala em 52 idiomas e dialetos: 30 idiomas e 22 dialetos chineses, além de sotaques do inglês de vários países e regiões.
A identificação de idioma faz parte do modelo. Você não precisa dizer qual idioma vem aí; ele descobre e informa junto com a transcrição.
O que ele faz além da transcrição simples
Os criadores dele citam três recursos.
- Reconhecimento em streaming e offline com o mesmo modelo, então um único conjunto de pesos serve tanto para fala ao vivo quanto para fala gravada.
- Áudio longo. O artigo dá um limite de 20 minutos para um único trecho de fala.
- Marcas de tempo, pelo alinhador forçado separado, para até 5 minutos de fala em 11 idiomas.
Os limites que os criadores informam
O projeto não tem uma seção chamada limitações, mas a documentação aponta alguns. O streaming só está disponível com um backend de servidor, e o streaming não devolve marcas de tempo. As marcas de tempo precisam do segundo modelo. E os números de velocidade publicados foram medidos em servidores atendendo muitas solicitações ao mesmo tempo, então dizem pouco sobre uma pessoa ditando num notebook.
Como rodá-lo num Mac
Os pesos originais são publicados para Python numa placa de vídeo. Para Apple silicon, os mesmos pesos são convertidos para o formato MLX da Apple e geralmente quantizados em 4 ou 5 bits, o que reduz o download e o uso de memória a um tamanho de notebook.
Perguntas que as pessoas fazem.
Quantos idiomas o Qwen3-ASR suporta?
Os criadores informam 30 idiomas e 22 dialetos chineses, 52 no total, com identificação de idioma embutida.
O Qwen3-ASR é de código aberto?
Sim. Os modelos são distribuídos sob a licença Apache 2.0.
Qual é a diferença entre o Qwen3-ASR-1.7B e o 0.6B?
O tamanho do modelo de linguagem interno. O modelo 1.7B é o mais preciso, e o 0.6B é menor e mais rápido.
O Qwen3-ASR detecta o idioma sozinho?
Sim. A identificação de idioma faz parte do modelo, então o idioma não precisa ser definido antes.
O Qwen3-ASR dá marcas de tempo?
Não sozinho. As marcas de tempo vêm de um modelo separado, o Qwen3-ForcedAligner-0.6B, para até 5 minutos de fala em 11 idiomas.
O Qwen3-ASR roda offline num Mac?
Sim. Versões convertidas dos pesos publicados rodam em Apple silicon sem conexão depois de baixadas.
