Qu’est-ce que Qwen3-ASR (1.7B and 0.6B) ?
Qwen3-ASR est une paire de modèles ouverts de reconnaissance vocale de l'équipe Qwen d'Alibaba, publiés sur Hugging Face le 28 janvier 2026 sous Apache 2.0 : Qwen3-ASR-1.7B et le plus petit Qwen3-ASR-0.6B. Tous deux reposent sur la partie audio de Qwen3-Omni, gèrent 30 langues plus 22 dialectes chinois, identifient eux-mêmes la langue et fonctionnent hors ligne ou en streaming à partir du même checkpoint. Qwen indique qu'ils transcrivent aussi le chant et les chansons avec musique de fond.
L'horodatage vient d'un modèle distinct, Qwen3-ForcedAligner-0.6B, qui aligne mots ou caractères sur jusqu'à 5 minutes de parole dans 11 langues. Le paquet Python qwen-asr regroupe les deux, avec un backend Transformers et un backend vLLM plus rapide, et Qwen fournit une image Docker et des démos Gradio. Le 1.7B a enregistré environ 1,7 million de téléchargements sur Hugging Face le mois dernier et le 0.6B environ 714 000.
Qwen3-ASR (1.7B and 0.6B) vaut-il le coup ?
Qwen3-ASR-1.7B est, pour la plupart des équipes, le modèle vocal ouvert généraliste le plus capable, car il associe un anglais au niveau du leaderboard à une couverture qu'aucun autre modèle à poids ouverts n'égale. Dans les tableaux de Qwen, il obtient 1,63 % et 3,38 % sur LibriSpeech clean et other, contre 1,51 % et 3,97 % pour Whisper large-v3, et 4,97 % sur WenetSpeech net, où GPT-4o-Transcribe obtenait 15,30 %. Sur le jeu de dialectes KeSpeech, il atteint 5,10 % contre 28,79 % pour Whisper. Ce sont des mesures de Qwen, sans indication de langue.
Hors des chiffres de Qwen, le constat tient. Sur l'Open ASR Leaderboard, le tableau de lancement de Cohere en mars plaçait le 1.7B à 5,76 % de WER moyen en anglais, cinquième derrière Cohere Transcribe ; en octobre, le graphique d'IBM du même leaderboard montrait Qwen3-ASR-1.7B-hf, la version native Transformers, premier des modèles à poids ouverts à 4,94 %, devant Granite Speech 5.0 à 5,06 %. Artificial Analysis ne référence pas le modèle ouvert, il n'existe donc pas de test indépendant comparable avec les API commerciales.
Le 0.6B est l'option débit. Qwen annonce un débit de 2 000 fois le temps réel avec une concurrence de 128, et il reste jusqu'à 2,5 points derrière le 1.7B sur les jeux anglais (9,92 % contre 7,39 % sur Common Voice English) et sur les dialectes (7,08 % contre 5,10 % sur KeSpeech). Hébergé sur OpenRouter, le 1.7B coûte environ 0,45 $ pour 1 000 minutes et le 0.6B environ 0,20 $, bien en dessous de Whisper large-v3-turbo chez Groq à 0,67 $.
Le hic : les fonctions sont réparties entre les modes. Le streaming ne fonctionne qu'avec le backend vLLM et ne permet alors ni traitement par lots ni horodatage ; l'horodatage exige le second modèle d'alignement et s'arrête à 5 minutes d'audio par appel. Les fichiers longs exigent un max_new_tokens plus élevé, sinon la transcription est tronquée, et les commandes de démo et de serveur documentées écoutent sur 0.0.0.0 au port 8000 : placez-les derrière un pare-feu.
Notre avis : pour tout ce qui touche au mandarin, au cantonais ou au chinois régional, Qwen3-ASR est le premier modèle à essayer ; pour l'anglais seul, il est désormais au niveau des meilleurs transcripteurs ouverts plutôt que nettement devant.
Là où il fait la différence
Une équipe data d'un prestataire de service client à Shenzhen
Transcrire des appels en mandarin, cantonais et sichuanais pour le contrôle qualité
Faites tourner le 1.7B sur vLLM en laissant la langue en détection automatique ; Qwen annonce 3,98 % sur FLEURS cantonais et 11,99 % sur le sichuanais facile. L'auto-hébergement garde l'audio des appels en interne, et Apache 2.0 évite toute négociation de licence.
Un développeur d'une application de karaoké et de paroles
Générer des paroles horodatées à partir de chansons avec accompagnement
Transcrivez avec le 1.7B, que Qwen a entraîné sur le chant et des chansons avec musique de fond, puis passez chaque couplet dans Qwen3-ForcedAligner-0.6B pour l'horodatage des mots, par segments de 5 minutes au plus.
Une startup qui conçoit un agent vocal pour les marchés d'Asie du Sud-Est
Transcription en direct en thaï, vietnamien, indonésien et malais
Servez le 0.6B en mode streaming sur vLLM pour des résultats partiels ; en hébergé, le même modèle coûte environ 0,20 $ pour 1 000 minutes sur OpenRouter. Le streaming désactive l'horodatage, la gestion des tours de parole doit donc reposer sur un détecteur d'activité vocale séparé.
Avant de vous engager
- Mise en route
- pip install -U qwen-asr (ajoutez l'extra vllm pour la vitesse et le streaming), puis Qwen3ASRModel.from_pretrained('Qwen/Qwen3-ASR-1.7B') et transcribe ; FlashAttention 2 est recommandé. vllm serve Qwen/Qwen3-ASR-1.7B fonctionne aussi.
- Intégrations
- Paquet Python qwen-asr, vLLM avec les API de chat et de transcription d'OpenAI, image Docker qwenllm/qwen3-asr, démos Gradio ; hébergé sur OpenRouter et Alibaba Cloud Model Studio, dont qwen3-asr-flash accepte des fichiers jusqu'à 10 MB et 5 minutes.
- Données et confidentialité
- En auto-hébergement sous Apache 2.0, l'audio reste sur votre matériel. Les commandes de démo et de serveur documentées écoutent sur 0.0.0.0:8000 et sont donc accessibles sur votre réseau sans pare-feu ; la démo navigateur exige HTTPS pour l'accès au micro.
- Coût à grande échelle
- En auto-hébergement, le 0.6B tient sur un petit GPU et le 1.7B sur un GPU de milieu de gamme. Sur OpenRouter, un million de minutes par mois coûte environ 450 $ avec le 1.7B ou 200 $ avec le 0.6B.
- Limites
- Pas de diarisation ; horodatage uniquement via l'aligneur, jusqu'à 5 minutes et 11 langues ; streaming uniquement sous vLLM, sans lots ni horodatage ; l'audio long exige d'augmenter max_new_tokens.
Les points forts
- 30 langues et 22 dialectes chinois avec identification automatique de la langue
- Apache 2.0 pour les deux tailles
- 5,10 % sur les dialectes KeSpeech contre 28,79 % pour Whisper large-v3 dans les tests de Qwen
- Streaming et hors ligne depuis un seul checkpoint ; le 0.6B atteint 2 000 fois le temps réel à concurrence 128
- Environ 0,45 $ pour 1 000 minutes en hébergé
Les points faibles
- L'horodatage exige un aligneur distinct, limité à 5 minutes et 11 langues
- Le mode streaming ne permet ni lots ni horodatage
- La plupart des benchmarks viennent de Qwen ; absent d'Artificial Analysis
- Pas d'étiquettes de locuteur
- Les commandes de serveur documentées écoutent sur 0.0.0.0
Idéal pour
Les développeurs qui veulent un seul modèle ouvert pour transcrire plusieurs langues et des dialectes chinois, en lots ou en direct.
Alternatives à Qwen3-ASR (1.7B and 0.6B)
Qwen3-ASR (1.7B and 0.6B) : questions fréquentes
- Qwen3-ASR (1.7B and 0.6B) vaut-il le coup ?
- Qwen3-ASR est le transcripteur ouvert à la plus grande portée, et la référence à battre pour le chinois sous toutes ses formes. Nous lui donnons 4.3 sur 5.
- Combien coûte Qwen3-ASR (1.7B and 0.6B) ?
- Gratuit sous Apache 2.0. Hébergé sur OpenRouter (DeepInfra, Prime Intellect) : le 1.7B à 0,0000075 $ par seconde d'audio (environ 0,45 $ pour 1 000 minutes), le 0.6B à environ 0,20 $ pour 1 000 minutes.
- Quels sont les inconvénients de Qwen3-ASR (1.7B and 0.6B) ?
- L'horodatage exige un aligneur distinct, limité à 5 minutes et 11 langues; le mode streaming ne permet ni lots ni horodatage; la plupart des benchmarks viennent de Qwen ; absent d'Artificial Analysis; pas d'étiquettes de locuteur; les commandes de serveur documentées écoutent sur 0.0.0.0.
- À qui s’adresse Qwen3-ASR (1.7B and 0.6B) ?
- Les développeurs qui veulent un seul modèle ouvert pour transcrire plusieurs langues et des dialectes chinois, en lots ou en direct.
- Combien coûte Qwen3-ASR (1.7B and 0.6B) pour une équipe ou en production ?
- En auto-hébergement, le 0.6B tient sur un petit GPU et le 1.7B sur un GPU de milieu de gamme. Sur OpenRouter, un million de minutes par mois coûte environ 450 $ avec le 1.7B ou 200 $ avec le 0.6B.
- Qwen3-ASR (1.7B and 0.6B) est-il sûr pour les données de l’entreprise ?
- En auto-hébergement sous Apache 2.0, l'audio reste sur votre matériel. Les commandes de démo et de serveur documentées écoutent sur 0.0.0.0:8000 et sont donc accessibles sur votre réseau sans pare-feu ; la démo navigateur exige HTTPS pour l'accès au micro.
- Quelles sont les meilleures alternatives à Qwen3-ASR (1.7B and 0.6B) ?
- Les alternatives les plus proches que nous avons testées sont Cohere Transcribe (03-2026), Granite Speech 5.0 2B, Whisper large-v3-turbo, VibeVoice-ASR et Nemotron 3.5 ASR Streaming 0.6B.
Réponses vérifiées le 7 nov. 2026.
Vous éditez Qwen3-ASR (1.7B and 0.6B) ? Affichez cette note sur votre site
