Qwen3-ASR (1.7B and 0.6B)의 개요
Qwen3-ASR는 Alibaba Qwen 팀의 오픈 음성 인식 모델 두 종으로, 2026년 1월 28일 Apache 2.0으로 Hugging Face에 공개되었습니다. Qwen3-ASR-1.7B와 더 작은 Qwen3-ASR-0.6B입니다. 두 모델 모두 Qwen3-Omni의 오디오 부분을 기반으로 하며, 30개 언어와 22개 중국어 방언을 처리하고, 언어를 스스로 식별하며, 같은 체크포인트로 오프라인과 스트리밍을 모두 지원합니다. Qwen은 노래와 반주가 깔린 곡도 전사할 수 있다고 밝힙니다.
타임스탬프는 별도 모델인 Qwen3-ForcedAligner-0.6B가 담당하며, 11개 언어에서 최대 5분 분량의 음성을 단어 또는 글자 단위로 정렬합니다. Python 패키지 qwen-asr가 둘을 묶어 Transformers 백엔드와 더 빠른 vLLM 백엔드를 제공하고, Qwen은 Docker 이미지와 Gradio 데모도 내놓았습니다. 지난 한 달 Hugging Face 다운로드는 1.7B가 약 170만 건, 0.6B가 약 714,000건이었습니다.
Qwen3-ASR (1.7B and 0.6B), 쓸 만한 가치가 있습니까?
Qwen3-ASR-1.7B는 대부분의 팀에게 가장 유능한 범용 오픈 음성 모델입니다. 리더보드 수준의 영어 성능과 다른 오픈 가중치 모델이 따라오지 못하는 지원 범위를 함께 갖췄기 때문입니다. Qwen의 표에서 LibriSpeech clean과 other에서 1.63%와 3.38%를 기록해 Whisper large-v3의 1.51%와 3.97%와 비교되며, WenetSpeech net에서는 4.97%로 GPT-4o-Transcribe의 15.30%보다 낫습니다. KeSpeech 방언 세트에서는 5.10%로 Whisper의 28.79%를 크게 앞섭니다. 모두 언어를 지정하지 않은 Qwen의 측정치입니다.
Qwen 자체 수치 밖에서도 그림은 유지됩니다. Open ASR Leaderboard에서 3월 Cohere 출시 표는 1.7B를 영어 평균 WER 5.76%로 Cohere Transcribe에 이은 5위에 두었고, 10월 IBM이 같은 리더보드를 정리한 차트에서는 Transformers 네이티브 버전인 Qwen3-ASR-1.7B-hf가 4.94%로 오픈 가중치 모델 1위를 차지해 5.06%의 Granite Speech 5.0을 앞섰습니다. Artificial Analysis는 이 오픈 모델을 다루지 않아 상용 API와 같은 조건의 독립 비교는 없습니다.
0.6B는 처리량 중심의 선택지입니다. Qwen은 동시 처리 128에서 실시간의 2,000배 처리량을 보고하며, 영어 세트에서 1.7B보다 최대 2.5포인트 뒤지고(Common Voice English에서 9.92% 대 7.39%) 방언에서도 뒤처집니다(KeSpeech에서 7.08% 대 5.10%). OpenRouter 호스팅 기준 1.7B는 1,000분당 약 0.45달러, 0.6B는 약 0.20달러로, Groq의 Whisper large-v3-turbo 0.67달러보다 훨씬 저렴합니다.
주의할 점: 기능이 모드별로 나뉘어 있습니다. 스트리밍은 vLLM 백엔드에서만 동작하며 이때는 배치도 타임스탬프도 지원하지 않습니다. 타임스탬프는 두 번째 정렬 모델이 필요하고 호출당 오디오 5분에서 멈춥니다. 긴 파일은 max_new_tokens를 늘리지 않으면 전사가 잘리며, 문서에 나온 데모와 서버 명령은 포트 8000에서 0.0.0.0에 바인딩하므로 방화벽 뒤에 두어야 합니다.
결론: 북경어, 광둥어, 지역 중국어가 관련된 일이라면 Qwen3-ASR를 가장 먼저 시험해 볼 모델입니다. 영어만 놓고 보면 이제 최고의 오픈 전사 모델들과 대등한 수준이지, 확실히 앞서 있지는 않습니다.
제 역할을 하는 곳
선전의 고객 상담 아웃소싱 업체 데이터 팀
품질 검토를 위해 북경어, 광둥어, 쓰촨어 통화를 전사하기
1.7B를 vLLM에서 실 행하고 언어는 자동 감지에 맡깁니다. Qwen은 FLEURS 광둥어 3.98%, 쓰촨어(쉬움) 11.99%를 보고합니다. 직접 호스팅하면 통화 오디오가 사내에 남고, Apache 2.0이라 라이선스 협상도 필요 없습니다.
노래방·가사 앱 개발자
반주가 있는 곡에서 시간 정보가 붙은 가사를 만들기
Qwen이 노래와 반주 있는 곡으로 학습시킨 1.7B로 전사한 뒤, 각 구절을 Qwen3-ForcedAligner-0.6B에 통과시켜 단어별 타이밍을 얻습니다. 한 번에 최대 5분 단위로 나눕니다.
동남아 시장용 음성 에이전트를 만드는 스타트업
태국어, 베트남어, 인도네시아어, 말레이어 실시간 전사
0.6B를 vLLM 스트리밍 모드로 띄워 중간 결과를 받습니다. 호스팅하면 같은 모델이 OpenRouter에서 1,000분당 약 0.20달러입니다. 스트리밍에서는 타임스탬프가 꺼지므로 발화 교대는 별도의 음성 구간 검출기에 의존해야 합니다.
도입 전 확인할 점
- 설정
- pip install -U qwen-asr(속도와 스트리밍을 위해 vllm 옵션 추가) 후 Qwen3ASRModel.from_pretrained('Qwen/Qwen3-ASR-1.7B')로 transcribe합니다. FlashAttention 2를 권장합니다. vllm serve Qwen/Qwen3-ASR-1.7B도 됩니다.
- 연동
- Python 패키지 qwen-asr, OpenAI 채팅·전사 API를 지원하는 vLLM, Docker 이미지 qwenllm/qwen3-asr, Gradio 데모. 호스팅은 OpenRouter와 Alibaba Cloud Model Studio이며, 후자의 qwen3-asr-flash는 10 MB, 5분까지의 파일을 받습니다.
- 데이터와 개인정보
- Apache 2.0으로 직접 호스팅하면 오디오는 자체 하드웨어에 남습니다. 문서의 데모와 서버 명령은 0.0.0.0:8000에서 수신하므로 방화벽이 없으면 네트워크에서 접근할 수 있으며, 브라우저 데모는 마이크 사용에 HTTPS가 필요합니다.
- 대규모 사용 시 비용
- 직접 호스팅하면 0.6B는 소형 GPU, 1.7B는 중급 GPU에 들어갑니다. OpenRouter에서는 월 100만 분에 1.7B가 약 450달러, 0.6B가 약 200달러입니다.
- 제한
- 화자 분리 없음. 타임스탬프는 정렬 모델로만, 5분과 11개 언어까지. 스트리밍은 vLLM 전용이며 배치와 타임스탬프 불가. 긴 오디오는 max_new_tokens를 올려야 합니다.
좋은 점
- 자동 언어 식별을 갖춘 30개 언어와 22개 중국어 방언
- 두 크기 모두 Apache 2.0
- Qwen 테스트에서 KeSpeech 방언 5.10%, Whisper large-v3는 28.79%
- 하나의 체크포인트로 스트리밍과 오프라인 지원, 0.6B는 동시 처리 128에서 2,000배 처리량
- 호스팅 시 1,000분당 약 0.45달러
아쉬운 점
- 타임스탬프에 별도 정렬 모델이 필요하며 5분과 11개 언어로 제한
- 스트리밍 모드에서는 배치와 타임스탬프 불가
- 벤치마크 대부분이 Qwen 자체 수치이며 Artificial Analysis에 없음
- 화자 구분 없음
- 문서의 서버 명령이 0.0.0.0에서 수신
추천 대상
다국어와 중국어 방 언 전사를 일괄이든 실시간이든 하나의 오픈 모델로 처리하려는 개발자.
Qwen3-ASR (1.7B and 0.6B) 대안
Qwen3-ASR (1.7B and 0.6B): 자주 묻는 질문
- Qwen3-ASR (1.7B and 0.6B), 쓸 만한 가치가 있습니까?
- Qwen3-ASR는 가장 넓은 범위를 다루는 오픈 전사 모델이며, 어떤 형태의 중국어든 넘어서야 할 기준입니다. 평점은 5점 만점에 4.3점입니다.
- Qwen3-ASR (1.7B and 0.6B)의 가격은 얼마입니까?
- Apache 2.0으로 무료. OpenRouter(DeepInfra, Prime Intellect)에서 호스팅되며 1.7B는 오디오 1초당 0.0000075달러(1,000분당 약 0.45달러), 0.6B는 1,000분당 약 0.20달러입니다.
- Qwen3-ASR (1.7B and 0.6B)의 단점은 무엇입니까?
- 타임스탬프에 별도 정렬 모델이 필요하며 5분과 11개 언어로 제한; 스트리밍 모드에서는 배치와 타임스탬프 불가; 벤치마크 대부분이 Qwen 자체 수치이며 Artificial Analysis에 없음; 화자 구분 없음; 문서의 서버 명령이 0.0.0.0에서 수신.
- Qwen3-ASR (1.7B and 0.6B)에 적합한 사람은 누구입니까?
- 다국어와 중국어 방언 전사를 일괄이든 실시간이든 하나의 오픈 모델로 처리하려는 개발자.
- 팀이나 프로덕션 환경에서 Qwen3-ASR (1.7B and 0.6B)의 비용은 얼마입니까?
- 직접 호스팅하면 0.6B는 소형 GPU, 1.7B는 중급 GPU에 들어갑니다. OpenRouter에서는 월 100만 분에 1.7B가 약 450달러, 0.6B가 약 200달러입니다.
- Qwen3-ASR (1.7B and 0.6B)에 회사 데이터를 맡겨도 안전합니까?
- Apache 2.0으로 직접 호스팅하면 오디오는 자체 하드웨어에 남습니다. 문서의 데모와 서버 명령은 0.0.0.0:8000에서 수신하므로 방화벽이 없으면 네트워크에서 접근할 수 있으며, 브라우저 데모는 마이크 사용에 HTTPS가 필요합니다.
- Qwen3-ASR (1.7B and 0.6B)의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Cohere Transcribe (03-2026), Granite Speech 5.0 2B, Whisper large-v3-turbo, VibeVoice-ASR 및 Nemotron 3.5 ASR Streaming 0.6B입니다.
답변 확인일: 2026년 11월 7일.
Qwen3-ASR (1.7B and 0.6B) 개발사입니까? 이 평점을 사이트에 표시하십시오
