Qwen3-ASR Flash

Spezifikationen & Limits

• Basiert auf dem Qwen3-Omni-Fundament
• das bereitgestellte Flash-API-Modell ist proprietär (die offenen Qwen3-ASR 0.6B/1.7B sind andere Modelle)

laut Offizielle Alibaba-Dokumentation ↗

Qwen3-ASR Flash in 30 Sekunden nutzen

OpenAI-kompatibel: base_url austauschen, SDK behalten. POST /v1/audio/transcriptions

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.audio.transcriptions.create(
    model="qwen3-asr-flash",
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({
  baseURL: "https://synthorai.io/v1",
  apiKey: "sk-syn-...",
});

const resp = await client.audio.transcriptions.create({
  model: "qwen3-asr-flash",
  file: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);

curl https://synthorai.io/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-syn-..." \
  -F model="qwen3-asr-flash" \
  -F file=@meeting.mp3

package main

import (
	"context"
	"fmt"
	"os"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/option"
)

func main() {
	client := openai.NewClient(
		option.WithBaseURL("https://synthorai.io/v1"),
		option.WithAPIKey("sk-syn-..."),
	)
	f, _ := os.Open("meeting.mp3")
	resp, _ := client.Audio.Transcriptions.New(context.TODO(), openai.AudioTranscriptionNewParams{
		Model: "qwen3-asr-flash",
		File:  f,
	})
	fmt.Println(resp.Text)
}

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.audio.transcriptions.*;
import java.nio.file.Paths;

OpenAIClient client = OpenAIOkHttpClient.builder()
    .baseUrl("https://synthorai.io/v1")
    .apiKey("sk-syn-...")
    .build();

Transcription resp = client.audio().transcriptions().create(
    TranscriptionCreateParams.builder()
        .model("qwen3-asr-flash")
        .file(Paths.get("meeting.mp3"))
        .build()).asTranscription();
System.out.println(resp.text());

Über Qwen3-ASR Flash

• Die offizielle Dokumentation hebt die Erkennung von rund dreißig Sprachen hervor, darunter fünf chinesische Varianten (Mandarin, Sichuanesisch, Hokkien, Wu, Kantonesisch), sowie eine Fähigkeit, die den Fun-ASR-Geschwistermodellen fehlt: das Erkennen von Emotionen neben der Transkription.
• Die Qwen3-ASR-Serie ist zudem für die robuste Erkennung von Sprache in Mischung mit Musik und Gesang bekannt.
• Die Emotionskennzeichnung ist immer aktiv und gibt einen von sieben Zuständen zurück (überrascht, neutral, glücklich, traurig, angewidert, wütend oder ängstlich), und die Spracherkennung erfolgt automatisch, sobald Sie die Sprache nicht setzen, auch bei Audio, das Sprachen mischt.
• Die Genauigkeit bei Fachterminologie wird anders gesteuert als in der Fun-ASR-Familie: Statt Hotword-Listen hochzuladen, injizieren Sie Kontexttext mit der Anfrage, was zu Vokabular passt, das sich von Aufruf zu Aufruf ändert.
• Zeitstempel auf Wortebene lassen sich für eine dokumentierte Teilmenge von Sprachen aktivieren, und inverse Textnormalisierung ist verfügbar, aber standardmäßig deaktiviert.
• Audio wird in einem breiten Satz von Container- und Codec-Formaten akzeptiert, und das Modell ist sowohl über eine OpenAI-kompatible Route als auch über Alibabas eigene synchrone Schnittstelle erreichbar.
• Sprecher-Diarisierung wird nicht angeboten, und die Obergrenze von fünf Minuten ist fest.
• Längere Aufnahmen leitet Alibaba an ein separates Modell für Dateitranskription weiter.
• Synthorai liefert es über seinen OpenAI-kompatiblen Transkriptions-Endpoint aus.

FAQ

Verwandte Modelle

Vergleichen