Новая модель Qwen от Alibaba улучшит инструменты транскрипции ИИ

Инструменты ИИ для транскрипции речи вскоре станут гораздо более конкурентоспособными после того, как команда Qwen из Alibaba представила модель Qwen3-ASR-Flash.

Созданная на основе мощного интеллекта Qwen3-Omni и обученная с использованием огромного набора данных, включающего десятки миллионов часов речевых данных, эта модель — не просто очередная модель распознавания речи на основе искусственного интеллекта. Команда разработчиков заявляет, что она разработана для обеспечения высокой точности даже в сложных акустических условиях или при работе со сложными языковыми моделями.
Итак, как он выглядит на фоне конкурентов? Данные о производительности, полученные в ходе испытаний, проведённых в августе 2025 года, свидетельствуют о весьма впечатляющих результатах.
В публичном тестировании стандартного китайского языка Qwen3-ASR-Flash показал уровень ошибок всего 3,97 процента, оставив позади таких конкурентов, как Gemini-2.5-Pro (8,98%) и GPT4o-Transcribe (15,72%), и продемонстрировав перспективность более конкурентоспособных инструментов транскрипции речи на базе ИИ.
Qwen3-ASR-Flash также отлично справился с обработкой китайских акцентов, с уровнем ошибок 3,48%. По английскому языку он показал вполне приемлемый результат — 3,81%, снова уверенно опередив Gemini (7,63%) и GPT4o (8,45%).
Но где это действительно привлекает внимание, так это в невероятно сложной области: транскрипции музыки.
При распознавании текстов песен Qwen3-ASR-Flash показал уровень ошибок всего 4,51%, что значительно лучше, чем у конкурентов. Эта способность понимать музыку была подтверждена внутренними тестами на полных версиях песен, где уровень ошибок составил 9,96%; это значительное улучшение по сравнению с 32,79% у Gemini-2.5-Pro и 58,59% у GPT4o-Transcribe.
Помимо впечатляющей точности, эта модель предлагает ряд инновационных функций для инструментов транскрипции на основе искусственного интеллекта нового поколения. Одним из важнейших нововведений является её гибкая настройка на контекст.
Забудьте о временах кропотливого форматирования списков ключевых слов: эта система позволяет пользователям вводить в модель фоновый текст практически в любом формате для получения персонализированных результатов. Вы можете предоставить простой список ключевых слов, целые документы или даже их хаотичную комбинацию.
Этот процесс устраняет необходимость в сложной предварительной обработке контекстной информации. Модель достаточно умна, чтобы использовать контекст для повышения точности, при этом её общая эффективность практически не страдает, даже если предоставленный вами текст совершенно нерелевантен.
Очевидно, что Alibaba стремится превратить эту модель ИИ в глобальный инструмент транскрипции речи. Сервис обеспечивает точную транскрипцию на основе единой модели, охватывающей 11 языков, включая многочисленные диалекты и акценты.
Поддержка китайского языка особенно глубока и охватывает мандаринский диалект, а также такие основные диалекты, как кантонский, сычуаньский, миньнаньский (хоккиен) и у.
Для англоговорящих приложение поддерживает британский, американский и другие региональные акценты. Впечатляющий список поддерживаемых языков включает французский, немецкий, испанский, итальянский, португальский, русский, японский, корейский и арабский.
В довершение всего, модель может точно определить, на каком из 11 языков говорят в данный момент, и способна отсеивать неречевые сегменты, такие как тишина или фоновый шум, обеспечивая более чистый вывод, чем предыдущие инструменты ИИ для транскрипции речи.