Qwen3-ASR (1.7B and 0.6B)とは？
Qwen3-ASRは、AlibabaのQwenチームによるオープンな音声認識モデルの2本立てで、2026年1月28日にApache 2.0でHugging Faceに公開されました。Qwen3-ASR-1.7Bと小型のQwen3-ASR-0.6Bです。どちらもQwen3-Omniの音声部分をもとにしており、30言語と22の中国語方言を扱い、言語を自ら識別し、同じチェックポイントでオフラインとストリーミングの両方に対応します。Qwenによれば、歌唱やBGM付きの楽曲も文字起こしできます。
タイムスタンプは別モデルのQwen3-ForcedAligner-0.6Bが担当し、11言語で最大5分の音声について単語または文字単位で位置を合わせます。Pythonパッケージqwen-asrが両方をまとめ、Transformersバックエンドとより高速なvLLMバックエンドを備えます。QwenはDockerイメージとGradioデモも提供しています。過去1か月のHugging Faceでのダウンロード数は1.7Bが約170万、0.6Bが約714,000でした。
Qwen3-ASR (1.7B and 0.6B)は使う価値があるか？
Qwen3-ASR-1.7Bは、多くのチームにとって最も有能な汎用オープン音声モデルです。リーダーボード水準の英語と、他のオープンウェイトモデルにはない対応範囲を両立しているからです。Qwenの表では、LibriSpeech cleanとotherで1.63%と3.38%を記録し、Whisper large-v3の1.51%と3.97%と比べられます。WenetSpeech netでは4.97%で、GPT-4o-Transcribeは15.30%でした。方言セットKeSpeechでは5.10%で、Whisperは28.79%です。いずれも言語指定なしでのQwenの計測です。
Qwen以外の数字でも傾向は変わりません。Open ASR Leaderboardでは、3月のCohere公開時の表で1.7Bは英語平均WER 5.76%、Cohere Transcribeに次ぐ5位でした。10月にはIBMによる同リーダーボードのグラフで、Transformersネイティブ版のQwen3-ASR-1.7B-hfが4.94%でオープンウェイトモデルの首位となり、5.06%のGranite Speech 5.0を上回りました。Artificial Analysisはこのオープンモデルを掲載していないため、商用APIと同条件で比べた独立評価はありません。
0.6Bはスループット重視の選択肢です。Qwenは同時実行数128で実時間の2,000倍のスループットを報告しており、英語セットでは1.7Bに最大2.5ポイント（Common Voice Englishで9.92%対7.39%）、方言でも差があります（KeSpeechで7.08%対5.10%）。OpenRouterのホスト版では、1.7Bが1,000分あたり約0.45ドル、0.6Bが約0.20ドルで、Groq上のWhisper large-v3-turboの0.67ドルを大きく下回ります。
注意点：機能がモードごとに分かれています。ストリーミングはvLLMバックエンドでしか動かず、その場合バッチ処理もタイムスタンプも使えません。タイムスタンプには2つ目のアライナーモデルが必要で、1回の呼び出しで5分の音声までです。長いファイルではmax_new_tokensを大きくしないと文字起こしが途中で切れます。また、ドキュメント記載のデモとサーバーのコマンドはポート8000で0.0.0.0にバインドするので、ファイアウォールの内側に置いてください。
結論：北京語、広東語、地方の中国語が絡むなら、Qwen3-ASRが最初に試すべきモデルです。英語だけなら、今では最良のオープン文字起こしモデルと肩を並べる水準で、明確に抜きん出ているわけではありません。
真価を発揮する場面
深圳のカスタマーサービス受託企業のデータチーム
品質チェックのために北京語、広東語、四川語の通話を文字起こしする
1.7BをvLLMで動かし、言語は自動判定に任せます。QwenはFLEURS広東語で3.98%、四川語（易）で11.99%と報告しています。セルフホストなら通話音声は社内に留まり、Apache 2.0なのでライセンス交渉も不要です。
カラオケ・歌詞アプリの開発者
伴奏付きの楽曲からタイムコード付きの歌詞を作る
Qwenが歌唱やBGM付き楽曲で学習させた1.7Bで文字起こしし、各節をQwen3-ForcedAligner-0.6Bに通して単語ごとのタイミングを得ます。1回あたり最大5分の区切りで処理します。
東南アジア市場向けの音声エージェントを作るスタートアップ
タイ語、ベトナム語、インドネシア語、マレー語のライブ文字起こし
0.6BをvLLMのストリーミングモードで動かして途中結果を得ます。ホスト版ならOpenRouterで1,000分あたり約0.20ドルです。ストリーミングではタイムスタンプが使えないため、話者交代の判定は別の音声区間検出に頼る必要があります。
導入前に確認すること
- 導入
- pip install -U qwen-asr（速度とストリーミングにはvllmオプションを追加）を実行し、Qwen3ASRModel.from_pretrained('Qwen/Qwen3-ASR-1.7B')でtranscribeします。FlashAttention 2が推奨です。vllm serve Qwen/Qwen3-ASR-1.7Bも使えます。
- 連携
- Pythonパッケージqwen-asr、OpenAIのチャットAPIと文字起こしAPIに対応するvLLM、Dockerイメージqwenllm/qwen3-asr、Gradioデモ。ホスト版はOpenRouterとAlibaba Cloud Model Studioで、後者のqwen3-asr-flashは10 MB・5分までのファイルを受け付けます。
- データとプライバシー
- Apache 2.0でセルフホストすれば音声は自社ハードウェアに留まります。ドキュメント記載のデモとサーバーのコマンドは0.0.0.0:8000で待ち受けるため、ファイアウォールがなければネットワーク上から到達できます。ブラウザデモはマイク利用にHTTPSが必要です。
- 大規模利用時のコスト
- セルフホストなら0.6Bは小型GPU、1.7Bはミドルクラスに収まります。OpenRouterでは月100万分で1.7Bが約450ドル、0.6Bが約200ドルです。
- 制限
- 話者分離なし。タイムスタンプはアライナー経由のみで、5分と11言語まで。ストリーミングはvLLM限定で、バッチとタイムスタンプは不可。長い音声ではmax_new_tokensを増やす必要があります。
良い点
- 30言語と22の中国語方言、自動言語識別
- 両サイズともApache 2.0
- QwenのテストでKeSpeech方言5.10%、Whisper large-v3は28.79%
- 1つのチェックポイントでストリーミングとオフライン、0.6Bは同時実行数128で2,000倍のスループット
- ホスト版で1,000分あたり約0.45ドル
気になる点
- タイムスタンプには別のアライナーが必要で、5分と11言語が上限
- ストリーミングモードではバッチ処理もタイムスタンプも不可
- ベンチマークの大半はQwen自身のもの、Artificial Analysisに未掲載
- 話者ラベルなし
- ドキュメント記載のサーバーコマンドは0.0.0.0で待ち受ける
おすすめの人
多言語と中国語方言の文字起こしを、バッチでもライブでも一つのオープンモデルで済ませたい開発者。
Qwen3-ASR (1.7B and 0.6B)の代替
Qwen3-ASR (1.7B and 0.6B)：よくある質問
- Qwen3-ASR (1.7B and 0.6B)は使う価値があるか？
- Qwen3-ASRは最も守備範囲の広いオープン文字起こしモデルで、あらゆる形の中国語で基準となる存在です。 評価は5点満点中4.3点です。
- Qwen3-ASR (1.7B and 0.6B)の料金は？
- Apache 2.0で無料。OpenRouter（DeepInfra、Prime Intellect）でホスト版あり。1.7Bは音声1秒あたり0.0000075ドル（1,000分あたり約0.45ドル）、0.6Bは1,000分あたり約0.20ドルです。
- Qwen3-ASR (1.7B and 0.6B)の欠点は？
- タイムスタンプには別のアライナーが必要で、5分と11言語が上限; ストリーミングモードではバッチ処理もタイムスタンプも不可; ベンチマークの大半はQwen自身のもの、Artificial Analysisに未掲載; 話者ラベルなし; ドキュメント記載のサーバーコマンドは0.0.0.0で待ち受ける.
- Qwen3-ASR (1.7B and 0.6B)は誰に向いているか？
- 多言語と中国語方言の文字起こしを、バッチでもライブでも一つのオープンモデルで済ませたい開発者。
- チームや本番環境でQwen3-ASR (1.7B and 0.6B)を使うと費用はいくらか？
- セルフホストなら0.6Bは小型GPU、1.7Bはミドルクラスに収まります。OpenRouterでは月100万分で1.7Bが約450ドル、0.6Bが約200ドルです。
- Qwen3-ASR (1.7B and 0.6B)は企業データを扱っても安全か ？
- Apache 2.0でセルフホストすれば音声は自社ハードウェアに留まります。ドキュメント記載のデモとサーバーのコマンドは0.0.0.0:8000で待ち受けるため、ファイアウォールがなければネットワーク上から到達できます。ブラウザデモはマイク利用にHTTPSが必要です。
- Qwen3-ASR (1.7B and 0.6B)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はCohere Transcribe (03-2026), Granite Speech 5.0 2B, Whisper large-v3-turbo, VibeVoice-ASR 、 Nemotron 3.5 ASR Streaming 0.6Bです。
回答確認日：2026年11月7日
Qwen3-ASR (1.7B and 0.6B)の開発元の方へ：この評価をサイトに掲載できます
