Was ist Qwen3-ASR (1.7B and 0.6B)?
Qwen3-ASR ist ein Paar offener Spracherkennungsmodelle von Alibabas Qwen-Team, am 28. Januar 2026 unter Apache 2.0 auf Hugging Face veröffentlicht: Qwen3-ASR-1.7B und das kleinere Qwen3-ASR-0.6B. Beide bauen auf dem Audioteil von Qwen3-Omni auf, verarbeiten 30 Sprachen plus 22 chinesische Dialekte, erkennen die Sprache selbst und laufen offline oder im Streaming aus demselben Checkpoint. Laut Qwen transkribieren sie auch Gesang und Lieder mit Hintergrundmusik.
Zeitstempel liefert ein separates Qwen3-ForcedAligner-0.6B, das Wörter oder Zeichen in bis zu 5 Minuten Sprache in 11 Sprachen ausrichtet. Das Python-Paket qwen-asr bündelt beides, mit einem Transformers-Backend und einem schnelleren vLLM-Backend, und Qwen liefert ein Docker-Image und Gradio-Demos. Das 1.7B kam im letzten Monat auf etwa 1,7 Millionen Downloads bei Hugging Face, das 0.6B auf etwa 714.000.
Lohnt sich Qwen3-ASR (1.7B and 0.6B)?
Qwen3-ASR-1.7B ist für die meisten Teams das leistungsfähigste offene Allzweck-Sprachmodell, weil es Englisch auf Leaderboard-Niveau mit einer Abdeckung verbindet, die kein anderes Modell mit offenen Gewichten erreicht. In Qwens Tabellen erzielt es 1,63% und 3,38% auf LibriSpeech clean und other, gegenüber 1,51% und 3,97% für Whisper large-v3, und 4,97% auf WenetSpeech net, wo GPT-4o-Transcribe 15,30% erreichte. Auf dem Dialekt-Set KeSpeech kommt es auf 5,10% gegenüber 28,79% für Whisper. Das sind Qwens Messungen ohne Sprachvorgabe.
Auch jenseits von Qwens eigenen Zahlen hält das Bild. Im Open ASR Leaderboard sah Coheres Tabelle zum Start im März das 1.7B bei 5,76% durchschnittlicher englischer WER, Platz fünf hinter Cohere Transcribe; im Oktober zeigte IBMs Grafik desselben Leaderboards die Transformers-native Version Qwen3-ASR-1.7B-hf mit 4,94% auf Platz eins der Modelle mit offenen Gewichten, vor Granite Speech 5.0 mit 5,06%. Artificial Analysis führt das offene Modell nicht, einen unabhängigen direkten Vergleich mit kommerziellen APIs gibt es also nicht.
Das 0.6B ist die Durchsatz-Option. Qwen meldet einen Durchsatz von 2.000-facher Echtzeit bei einer Parallelität von 128, und es liegt bis zu 2,5 Punkte hinter dem 1.7B bei englischen Sets (9,92% gegenüber 7,39% bei Common Voice English) und bei Dialekten (7,08% gegenüber 5,10% bei KeSpeech). Gehostet auf OpenRouter kostet das 1.7B etwa 0,45 $ pro 1.000 Minuten und das 0.6B etwa 0,20 $, beides deutlich unter Whisper large-v3-turbo bei Groq mit 0,67 $.
Der Haken: Die Funktionen sind über Modi verteilt. Streaming läuft nur mit dem vLLM-Backend und unterstützt dann weder Batching noch Zeitstempel; Zeitstempel brauchen das zweite Alignment-Modell und enden bei 5 Minuten Audio pro Aufruf. Lange Dateien brauchen ein höheres max_new_tokens, sonst wird das Transkript abgeschnitten, und die dokumentierten Demo- und Server-Befehle binden an 0.0.0.0 auf Port 8000, also gehören sie hinter eine Firewall.
Unser Fazit: Für alles mit Mandarin, Kantonesisch oder regionalem Chinesisch ist Qwen3-ASR das erste Modell, das du testen solltest; für reines Englisch liegt es inzwischen gleichauf mit den besten offenen Transkriptionsmodellen, nicht mehr klar davor.
Wo es sich lohnt
Ein Datenteam bei einem Kundenservice-Dienstleister in Shenzhen
Anrufe auf Mandarin, Kantonesisch und Sichuanesisch für die Qualitätskontrolle transkribieren
Das 1.7B auf vLLM mit automatischer Spracherkennung betreiben; Qwen meldet 3,98% bei FLEURS Kantonesisch und 11,99% bei leichtem Sichuanesisch. Selbst gehostet bleibt das Anrufaudio im Haus, und Apache 2.0 erspart Lizenzverhandlungen.
Ein Entwickler bei einer Karaoke- und Songtext-App
Zeitcodierte Songtexte aus Liedern mit Begleitmusik erzeugen
Mit dem 1.7B transkribieren, das Qwen auf Gesang und Lieder mit Hintergrundmusik trainiert hat, dann jede Strophe für Wort-Zeitstempel durch Qwen3-ForcedAligner-0.6B schicken, in Stücken von bis zu 5 Minuten.
Ein Startup, das einen Sprachagenten für südostasiatische Märkte baut
Live-Transkription auf Thai, Vietnamesisch, Indonesisch und Malaiisch
Das 0.6B im Streaming-Modus auf vLLM für Zwischenergebnisse betreiben; gehostet kostet dasselbe Modell auf OpenRouter etwa 0,20 $ pro 1.000 Minuten. Streaming schaltet Zeitstempel ab, der Sprecherwechsel muss also über einen separaten Sprachaktivitätsdetektor laufen.
Bevor du dich festlegst
- Einrichtung
- pip install -U qwen-asr (mit dem vllm-Extra für Tempo und Streaming), dann Qwen3ASRModel.from_pretrained('Qwen/Qwen3-ASR-1.7B') und transcribe; FlashAttention 2 wird empfohlen. vllm serve Qwen/Qwen3-ASR-1.7B funktioniert ebenfalls.
- Integrationen
- Python-Paket qwen-asr, vLLM mit den Chat- und Transkriptions-APIs von OpenAI, Docker-Image qwenllm/qwen3-asr, Gradio-Demos; gehostet auf OpenRouter und Alibaba Cloud Model Studio, dessen qwen3-asr-flash Dateien bis 10 MB und 5 Minuten annimmt.
- Daten und Datenschutz
- Selbst gehostet unter Apache 2.0 bleibt das Audio auf deiner Hardware. Die dokumentierten Demo- und Server-Befehle lauschen auf 0.0.0.0:8000 und sind ohne Firewall im Netzwerk erreichbar; die Browser-Demo braucht HTTPS für den Mikrofonzugriff.
- Kosten im großen Maßstab
- Selbst gehostet passt das 0.6B auf eine kleine GPU und das 1.7B auf eine aus der Mittelklasse. Gehostet auf OpenRouter kostet eine Million Minuten im Monat etwa 450 $ mit dem 1.7B oder 200 $ mit dem 0.6B.
- Grenzen
- Keine Diarisierung; Zeitstempel nur über das Alignment-Modell, bis 5 Minuten und 11 Sprachen; Streaming nur mit vLLM, ohne Batching und Zeitstempel; für lange Aufnahmen muss max_new_tokens erhöht werden.
Was gut ist
- 30 Sprachen und 22 chinesische Dialekte mit automatischer Spracherkennung
- Apache 2.0 für beide Größen
- 5,10% bei KeSpeech-Dialekten gegenüber 28,79% für Whisper large-v3 in Qwens Tests
- Streaming und offline aus einem Checkpoint; das 0.6B erreicht 2.000-fachen Durchsatz bei Parallelität 128
- Etwa 0,45 $ pro 1.000 Minuten gehostet
Was nicht
- Zeitstempel brauchen ein separates Alignment-Modell, begrenzt auf 5 Minuten und 11 Sprachen
- Im Streaming-Modus weder Batching noch Zeitstempel
- Die meisten Benchmarks stammen von Qwen; nicht bei Artificial Analysis gelistet
- Keine Sprecherkennzeichnung
- Dokumentierte Server-Befehle lauschen auf 0.0.0.0
Am besten für
Entwickler, die ein einziges offenes Modell für mehrsprachige Transkription und chinesische Dialekte brauchen, im Stapel oder live.
Alternativen zu Qwen3-ASR (1.7B and 0.6B)
Qwen3-ASR (1.7B and 0.6B): häufige Fragen
- Lohnt sich Qwen3-ASR (1.7B and 0.6B)?
- Qwen3-ASR ist das offene Transkriptionsmodell mit der größten Reichweite und für Chinesisch in jeder Form das Maß der Dinge. Wir bewerten es mit 4.3 von 5.
- Was kostet Qwen3-ASR (1.7B and 0.6B)?
- Kostenlos unter Apache 2.0. Gehostet auf OpenRouter (DeepInfra, Prime Intellect): 1.7B für 0,0000075 $ pro Sekunde Audio (etwa 0,45 $ pro 1.000 Minuten), 0.6B für etwa 0,20 $ pro 1.000 Minuten.
- Welche Nachteile hat Qwen3-ASR (1.7B and 0.6B)?
- Zeitstempel brauchen ein separates Alignment-Modell, begrenzt auf 5 Minuten und 11 Sprachen; Im Streaming-Modus weder Batching noch Zeitstempel; Die meisten Benchmarks stammen von Qwen; nicht bei Artificial Analysis gelistet; Keine Sprecherkennzeichnung; Dokumentierte Server-Befehle lauschen auf 0.0.0.0.
- Für wen eignet sich Qwen3-ASR (1.7B and 0.6B)?
- Entwickler, die ein einziges offenes Modell für mehrsprachige Transkription und chinesische Dialekte brauchen, im Stapel oder live.
- Was kostet Qwen3-ASR (1.7B and 0.6B) für ein Team oder im Produktivbetrieb?
- Selbst gehostet passt das 0.6B auf eine kleine GPU und das 1.7B auf eine aus der Mittelklasse. Gehostet auf OpenRouter kostet eine Million Minuten im Monat etwa 450 $ mit dem 1.7B oder 200 $ mit dem 0.6B.
- Ist Qwen3-ASR (1.7B and 0.6B) sicher für Firmendaten?
- Selbst gehostet unter Apache 2.0 bleibt das Audio auf deiner Hardware. Die dokumentierten Demo- und Server-Befehle lauschen auf 0.0.0.0:8000 und sind ohne Firewall im Netzwerk erreichbar; die Browser-Demo braucht HTTPS für den Mikrofonzugriff.
- Was sind die besten Alternativen zu Qwen3-ASR (1.7B and 0.6B)?
- Die nächsten Alternativen, die wir getestet haben, sind Cohere Transcribe (03-2026), Granite Speech 5.0 2B, Whisper large-v3-turbo, VibeVoice-ASR und Nemotron 3.5 ASR Streaming 0.6B.
Antworten geprüft am 7. Nov. 2026.
Du entwickelst Qwen3-ASR (1.7B and 0.6B)? Zeig diese Bewertung auf deiner Website
