O que é Qwen3-ASR (1.7B and 0.6B)?
Qwen3-ASR é um par de modelos abertos de reconhecimento de fala da equipe Qwen da Alibaba, publicados no Hugging Face em 28 de janeiro de 2026 sob Apache 2.0: Qwen3-ASR-1.7B e o menor Qwen3-ASR-0.6B. Ambos partem da parte de áudio do Qwen3-Omni, lidam com 30 idiomas mais 22 dialetos chineses, identificam o idioma sozinhos e rodam offline ou em streaming a partir do mesmo checkpoint. A Qwen diz que eles também transcrevem canto e músicas com acompanhamento.
Os timestamps vêm de um modelo separado, o Qwen3-ForcedAligner-0.6B, que alinha palavras ou caracteres em até 5 minutos de fala em 11 idiomas. O pacote Python qwen-asr reúne os dois, com um backend Transformers e um backend vLLM mais rápido, e a Qwen oferece uma imagem Docker e demos em Gradio. O 1.7B teve cerca de 1,7 milhão de downloads no Hugging Face no último mês e o 0.6B cerca de 714.000.
Qwen3-ASR (1.7B and 0.6B) vale a pena?
Qwen3-ASR-1.7B é o modelo de fala aberto de uso geral mais capaz para a maioria das equipes, porque une um inglês de nível de leaderboard a uma cobertura que nenhum outro modelo de pesos abertos alcança. Nas tabelas da Qwen, ele marca 1,63% e 3,38% no LibriSpeech clean e other, contra 1,51% e 3,97% do Whisper large-v3, e 4,97% no WenetSpeech net, onde o GPT-4o-Transcribe marcou 15,30%. No conjunto de dialetos KeSpeech chega a 5,10%, contra 28,79% do Whisper. São medições da Qwen sem indicação de idioma.
Fora dos números da própria Qwen, o quadro se mantém. No Open ASR Leaderboard, a tabela de lançamento da Cohere em março colocou o 1.7B em 5,76% de WER médio em inglês, quinto atrás do Cohere Transcribe; em outubro, o gráfico da IBM do mesmo leaderboard mostrava o Qwen3-ASR-1.7B-hf, a versão nativa do Transformers, em primeiro entre os modelos de pesos abertos com 4,94%, à frente do Granite Speech 5.0 com 5,06%. A Artificial Analysis não lista o modelo aberto, então não há teste independente comparável com as APIs comerciais.
O 0.6B é a opção de vazão. A Qwen informa vazão de 2.000 vezes o tempo real com concorrência de 128, e ele fica até 2,5 pontos atrás do 1.7B nos conjuntos em inglês (9,92% contra 7,39% no Common Voice English) e em dialetos (7,08% contra 5,10% no KeSpeech). Hospedado no OpenRouter, o 1.7B custa cerca de US$ 0,45 por 1.000 minutos e o 0.6B cerca de US$ 0,20, ambos bem abaixo do Whisper large-v3-turbo na Groq, a US$ 0,67.
O porém: os recursos estão espalhados entre modos. O streaming só roda no backend vLLM e aí não suporta lotes nem timestamps; os timestamps precisam do segundo modelo de alinhamento e param em 5 minutos de áudio por chamada. Arquivos longos exigem um max_new_tokens maior ou a transcrição é cortada, e os comandos documentados de demo e servidor escutam em 0.0.0.0 na porta 8000, então coloque-os atrás de um firewall.
Nossa opinião: para qualquer coisa com mandarim, cantonês ou chinês regional, o Qwen3-ASR é o primeiro modelo a testar; só para inglês, ele agora está no nível dos melhores transcritores abertos, e não claramente à frente.
Onde ele se destaca
Uma equipe de dados numa terceirizada de atendimento em Shenzhen
Transcrever ligações em mandarim, cantonês e sichuanês para revisão de qualidade
Rode o 1.7B no vLLM com o idioma em detecção automática; a Qwen informa 3,98% no FLEURS cantonês e 11,99% no sichuanês fácil. Hospedar por conta própria mantém o áudio das ligações dentro de casa, e o Apache 2.0 dispensa negociação de licença.
Um desenvolvedor num app de karaokê e letras
Gerar letras com marcação de tempo a partir de músicas com acompanhamento
Transcreva com o 1.7B, que a Qwen treinou com canto e músicas com acompanhamento, e passe cada estrofe pelo Qwen3-ForcedAligner-0.6B para os tempos das palavras, em trechos de até 5 minutos.
Uma startup criando um agente de voz para mercados do Sudeste Asiático
Transcrição ao vivo em tailandês, vietnamita, indonésio e malaio
Sirva o 0.6B em modo streaming no vLLM para resultados parciais; hospedado, o mesmo modelo custa cerca de US$ 0,20 por 1.000 minutos no OpenRouter. O streaming desliga os timestamps, então a troca de turnos precisa de um detector de atividade de voz separado.
Antes de decidir
- Configuração
- pip install -U qwen-asr (adicione o extra vllm para velocidade e streaming), depois Qwen3ASRModel.from_pretrained('Qwen/Qwen3-ASR-1.7B') e transcribe; FlashAttention 2 é recomendado. vllm serve Qwen/Qwen3-ASR-1.7B também funciona.
- Integrações
- Pacote Python qwen-asr, vLLM com as APIs de chat e transcrição da OpenAI, imagem Docker qwenllm/qwen3-asr, demos em Gradio; hospedado no OpenRouter e no Alibaba Cloud Model Studio, cujo qwen3-asr-flash aceita arquivos de até 10 MB e 5 minutos.
- Dados e privacidade
- Auto-hospedado sob Apache 2.0, o áudio fica no seu hardware. Os comandos documentados de demo e servidor escutam em 0.0.0.0:8000, então ficam acessíveis na sua rede sem firewall; a demo no navegador precisa de HTTPS para acessar o microfone.
- Custo em escala
- Auto-hospedado, o 0.6B cabe numa GPU pequena e o 1.7B numa intermediária. No OpenRouter, um milhão de minutos por mês custa cerca de US$ 450 com o 1.7B ou US$ 200 com o 0.6B.
- Limites
- Sem diarização; timestamps só pelo alinhador, até 5 minutos e 11 idiomas; streaming só no vLLM, sem lotes nem timestamps; áudio longo exige aumentar max_new_tokens.
O que é bom
- 30 idiomas e 22 dialetos chineses com identificação automática de idioma
- Apache 2.0 nos dois tamanhos
- 5,10% nos dialetos do KeSpeech contra 28,79% do Whisper large-v3 nos testes da Qwen
- Streaming e offline a partir de um checkpoint; o 0.6B chega a 2.000 vezes o tempo real com concorrência 128
- Cerca de US$ 0,45 por 1.000 minutos hospedado
O que não é
- Timestamps exigem um alinhador separado, limitado a 5 minutos e 11 idiomas
- O modo streaming não faz lotes nem timestamps
- A maioria dos benchmarks é da própria Qwen; não aparece na Artificial Analysis
- Sem identificação de falantes
- Comandos de servidor documentados escutam em 0.0.0.0
Ideal para
Desenvolvedores que precisam de um único modelo aberto para transcrição multilíngue e de dialetos chineses, em lote ou ao vivo.
Alternativas ao Qwen3-ASR (1.7B and 0.6B)
Qwen3-ASR (1.7B and 0.6B): perguntas frequentes
- Qwen3-ASR (1.7B and 0.6B) vale a pena?
- Qwen3-ASR é o transcritor aberto de maior alcance, e o que precisa ser batido em chinês em qualquer variante. Damos nota 4.3 de 5.
- Quanto custa Qwen3-ASR (1.7B and 0.6B)?
- Gratuito sob Apache 2.0. Hospedado no OpenRouter (DeepInfra, Prime Intellect): o 1.7B a US$ 0,0000075 por segundo de áudio (cerca de US$ 0,45 por 1.000 minutos) e o 0.6B a cerca de US$ 0,20 por 1.000 minutos.
- Quais são as desvantagens de Qwen3-ASR (1.7B and 0.6B)?
- Timestamps exigem um alinhador separado, limitado a 5 minutos e 11 idiomas; o modo streaming não faz lotes nem timestamps; a maioria dos benchmarks é da própria Qwen; não aparece na Artificial Analysis; sem identificação de falantes; comandos de servidor documentados escutam em 0.0.0.0.
- Para quem Qwen3-ASR (1.7B and 0.6B) é indicado?
- Desenvolvedores que precisam de um único modelo aberto para transcrição multilíngue e de dialetos chineses, em lote ou ao vivo.
- Quanto custa Qwen3-ASR (1.7B and 0.6B) para uma equipe ou em produção?
- Auto-hospedado, o 0.6B cabe numa GPU pequena e o 1.7B numa intermediária. No OpenRouter, um milhão de minutos por mês custa cerca de US$ 450 com o 1.7B ou US$ 200 com o 0.6B.
- Qwen3-ASR (1.7B and 0.6B) é seguro para dados da empresa?
- Auto-hospedado sob Apache 2.0, o áudio fica no seu hardware. Os comandos documentados de demo e servidor escutam em 0.0.0.0:8000, então ficam acessíveis na sua rede sem firewall; a demo no navegador precisa de HTTPS para acessar o microfone.
- Quais são as melhores alternativas ao Qwen3-ASR (1.7B and 0.6B)?
- As alternativas mais próximas que analisamos são Cohere Transcribe (03-2026), Granite Speech 5.0 2B, Whisper large-v3-turbo, VibeVoice-ASR e Nemotron 3.5 ASR Streaming 0.6B.
Respostas verificadas em 7 de nov. de 2026.
Você faz o Qwen3-ASR (1.7B and 0.6B)? Mostre esta nota no seu site
