¿Qué es Qwen3-ASR (1.7B and 0.6B)?
Qwen3-ASR es una pareja de modelos abiertos de reconocimiento de voz del equipo Qwen de Alibaba, publicados en Hugging Face el 28 de enero de 2026 bajo Apache 2.0: Qwen3-ASR-1.7B y el más pequeño Qwen3-ASR-0.6B. Ambos parten de la parte de audio de Qwen3-Omni, manejan 30 idiomas más 22 dialectos chinos, identifican el idioma por sí mismos y funcionan sin conexión o en streaming desde el mismo checkpoint. Qwen dice que también transcriben canto y canciones con música de fondo.
Las marcas de tiempo vienen de un modelo aparte, Qwen3-ForcedAligner-0.6B, que alinea palabras o caracteres en hasta 5 minutos de voz en 11 idiomas. El paquete de Python qwen-asr envuelve ambos, con un backend de Transformers y otro más rápido de vLLM, y Qwen publica una imagen de Docker y demos de Gradio. El 1.7B registró cerca de 1,7 millones de descargas en Hugging Face el último mes y el 0.6B unas 714.000.
¿Merece la pena Qwen3-ASR (1.7B and 0.6B)?
Qwen3-ASR-1.7B es el modelo de voz abierto de uso general más capaz para la mayoría de los equipos, porque une un inglés a nivel de leaderboard con una cobertura que ningún otro modelo de pesos abiertos iguala. En las tablas de Qwen marca un 1,63% y un 3,38% en LibriSpeech clean y other, frente al 1,51% y 3,97% de Whisper large-v3, y un 4,97% en WenetSpeech net, donde GPT-4o-Transcribe marcó un 15,30%. En el conjunto de dialectos KeSpeech llega al 5,10% frente al 28,79% de Whisper. Son mediciones de Qwen sin indicar el idioma.
Fuera de las cifras de Qwen, la imagen se mantiene. En la Open ASR Leaderboard, la tabla de lanzamiento de Cohere de marzo situó al 1.7B en un 5,76% de WER medio en inglés, quinto por detrás de Cohere Transcribe; en octubre, el gráfico de IBM de la misma leaderboard mostraba a Qwen3-ASR-1.7B-hf, la versión nativa de Transformers, primero entre los modelos de pesos abiertos con un 4,94%, por delante de Granite Speech 5.0 con un 5,06%. Artificial Analysis no incluye el modelo abierto, así que no hay una prueba independiente comparable con las API comerciales.
El 0.6B es la opción de rendimiento. Qwen indica un rendimiento de 2.000 veces el tiempo real con una concurrencia de 128, y queda hasta 2,5 puntos por detrás del 1.7B en los conjuntos en inglés (9,92% frente a 7,39% en Common Voice English) y en dialectos (7,08% frente a 5,10% en KeSpeech). Alojado en OpenRouter, el 1.7B cuesta unos 0,45 $ por 1.000 minutos y el 0.6B unos 0,20 $, ambos muy por debajo de Whisper large-v3-turbo en Groq a 0,67 $.
La pega: las funciones están repartidas entre modos. El streaming solo funciona con el backend de vLLM y entonces no admite ni lotes ni marcas de tiempo; las marcas de tiempo necesitan el segundo modelo alineador y se detienen en 5 minutos de audio por llamada. Los archivos largos necesitan un max_new_tokens mayor o la transcripción se corta, y los comandos documentados de la demo y del servidor escuchan en 0.0.0.0 en el puerto 8000, así que ponlos detrás de un cortafuegos.
Nuestra opinión: para cualquier cosa con mandarín, cantonés o chino regional, Qwen3-ASR es el primer modelo que probar; solo para inglés, ahora está a la altura de los mejores transcriptores abiertos más que claramente por delante.
Dónde se gana su sitio
Un equipo de datos en una empresa de atención al cliente externalizada de Shenzhen
Transcribir llamadas en mandarín, cantonés y sichuanés para revisión de calidad
Ejecuta el 1.7B en vLLM dejando que detecte el idioma; Qwen indica un 3,98% en FLEURS cantonés y un 11,99% en sichuanés fácil. Alojarlo tú mantiene el audio de las llamadas en casa, y Apache 2.0 no requiere negociar licencias.
Un desarrollador en una app de karaoke y letras
Generar letras con tiempos a partir de canciones con acompañamiento
Transcribe con el 1.7B, que Qwen entrenó con canto y canciones con música de fondo, y pasa cada estrofa por Qwen3-ForcedAligner-0.6B para obtener los tiempos de cada palabra, en fragmentos de hasta 5 minutos.
Una startup que crea un agente de voz para mercados del sudeste asiático
Transcripción en directo en tailandés, vietnamita, indonesio y malayo
Sirve el 0.6B en modo streaming con vLLM para resultados parciales; alojado, el mismo modelo cuesta unos 0,20 $ por 1.000 minutos en OpenRouter. El streaming desactiva las marcas de tiempo, así que los turnos de palabra deben apoyarse en un detector de actividad de voz aparte.
Antes de decidirte
- Puesta en marcha
- pip install -U qwen-asr (añade el extra vllm para velocidad y streaming), luego Qwen3ASRModel.from_pretrained('Qwen/Qwen3-ASR-1.7B') y transcribe; se recomienda FlashAttention 2. También funciona vllm serve Qwen/Qwen3-ASR-1.7B.
- Integraciones
- Paquete de Python qwen-asr, vLLM con las API de chat y transcripción de OpenAI, imagen de Docker qwenllm/qwen3-asr, demos de Gradio; alojado en OpenRouter y en Alibaba Cloud Model Studio, cuyo qwen3-asr-flash acepta archivos de hasta 10 MB y 5 minutos.
- Datos y privacidad
- Alojado por ti bajo Apache 2.0, el audio se queda en tu hardware. Los comandos documentados de demo y servidor escuchan en 0.0.0.0:8000, así que son accesibles en tu red si no hay cortafuegos; la demo en navegador necesita HTTPS para acceder al micrófono.
- Coste a escala
- Alojado por ti, el 0.6B cabe en una GPU pequeña y el 1.7B en una de gama media. Alojado en OpenRouter, un millón de minutos al mes cuesta unos 450 $ con el 1.7B o 200 $ con el 0.6B.
- Límites
- Sin diarización; marcas de tiempo solo con el alineador, hasta 5 minutos y 11 idiomas; el streaming es solo con vLLM, sin lotes ni marcas de tiempo; el audio largo exige subir max_new_tokens.
Lo bueno
- 30 idiomas y 22 dialectos chinos con identificaci ón automática de idioma
- Apache 2.0 en ambos tamaños
- 5,10% en los dialectos de KeSpeech frente a 28,79% de Whisper large-v3 en las pruebas de Qwen
- Streaming y sin conexión desde un checkpoint; el 0.6B llega a 2.000 veces el tiempo real con concurrencia 128
- Unos 0,45 $ por 1.000 minutos alojado
Lo malo
- Las marcas de tiempo necesitan un alineador aparte, limitado a 5 minutos y 11 idiomas
- El modo streaming no admite lotes ni marcas de tiempo
- La mayoría de las pruebas son de Qwen; no aparece en Artificial Analysis
- Sin etiquetas de hablante
- Los comandos de servidor documentados escuchan en 0.0.0.0
Ideal para
Desarrolladores que necesitan un único modelo abierto para transcribir varios idiomas y dialectos chinos, por lotes o en directo.
Alternativas a Qwen3-ASR (1.7B and 0.6B)
Qwen3-ASR (1.7B and 0.6B): preguntas frecuentes
- ¿Merece la pena Qwen3-ASR (1.7B and 0.6B)?
- Qwen3-ASR es el transcriptor abierto de mayor alcance, y el que hay que batir en chino en cualquiera de sus variantes. Le damos un 4.3 sobre 5.
- ¿Cuánto cuesta Qwen3-ASR (1.7B and 0.6B)?
- Gratis bajo Apache 2.0. Alojado en OpenRouter (DeepInfra, Prime Intellect): el 1.7B a 0,0000075 $ por segundo de audio (unos 0,45 $ por 1.000 minutos) y el 0.6B a unos 0,20 $ por 1.000 minutos.
- ¿Qué inconvenientes tiene Qwen3-ASR (1.7B and 0.6B)?
- Las marcas de tiempo necesitan un alineador aparte, limitado a 5 minutos y 11 idiomas; el modo streaming no admite lotes ni marcas de tiempo; la mayoría de las pruebas son de Qwen; no aparece en Artificial Analysis; sin etiquetas de hablante; los comandos de servidor documentados escuchan en 0.0.0.0.
- ¿Para quién es Qwen3-ASR (1.7B and 0.6B)?
- Desarrolladores que necesitan un único modelo abierto para transcribir varios idiomas y dialectos chinos, por lotes o en directo.
- ¿Cuánto cuesta Qwen3-ASR (1.7B and 0.6B) para un equipo o en producción?
- Alojado por ti, el 0.6B cabe en una GPU pequeña y el 1.7B en una de gama media. Alojado en OpenRouter, un millón de minutos al mes cuesta unos 450 $ con el 1.7B o 200 $ con el 0.6B.
- ¿Es Qwen3-ASR (1.7B and 0.6B) seguro para los datos de la empresa?
- Alojado por ti bajo Apache 2.0, el audio se queda en tu hardware. Los comandos documentados de demo y servidor escuchan en 0.0.0.0:8000, así que son accesibles en tu red si no hay cortafuegos; la demo en navegador necesita HTTPS para acceder al micrófono.
- ¿Cuáles son las mejores alternativas a Qwen3-ASR (1.7B and 0.6B)?
- Las alternativas más cercanas que hemos analizado son Cohere Transcribe (03-2026), Granite Speech 5.0 2B, Whisper large-v3-turbo, VibeVoice-ASR y Nemotron 3.5 ASR Streaming 0.6B.
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas Qwen3-ASR (1.7B and 0.6B)? Muestra esta nota en tu web
