Qwen3-ASR 1.7B по API
Qwen3-ASR 1.7B — открытая модель распознавания речи от команды Qwen, построенная на Qwen3-Omni. Веса выложены под лицензией Apache 2.0, а через наш API модель работает без своего сервера: файл на входе, текст с отметками времени на выходе. Сто минут записи стоят около 14,00 ₽.
- 0,14 ₽ за минуту звука
- до 2 ч звука
- звук → текст
qwen/qwen3-asr-1.7b
Обновлено:
Получить ключ Попробовать Документация
Попробовать Qwen3-ASR 1.7B
Загрузи короткую запись — модель вернёт текст. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.
Что попробовать: Загрузи запись до двух минут или запиши с микрофона, например короткую команду «Поставь напоминание на завтра в девять». Вернётся текст.
В ответ приходит текст записи в поле text — как у OpenAI.
Цены Qwen3-ASR 1.7B в рублях
| Звук — считаем по секундам | 0,14 ₽ за минуту |
|---|
Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена
Сколько стоят типичные задачи
Суммы посчитаны по цене выше — сколько спишется за такую работу.
| Голосовые команды в приложении: 12 000 команд по 5 секунд | Около 140,00 ₽ |
|---|---|
| Видеоблоги и записи с музыкой на фоне: 10 роликов по 15 минут | Около 21,00 ₽ |
| Тренажёр произношения с подсветкой слов: 600 упражнений по 20 секунд | Около 28,00 ₽ |
| Проба перед запуском на своём сервере: 300 минут тестовых записей | Около 42,00 ₽ |
Что умеет Qwen3-ASR 1.7B
- Открытая модель Qwen для распознавания речи, построенная на Qwen3-Omni. Веса — под лицензией Apache 2.0 (карточка модели).
- Сама модель знает 30 языков и 22 диалекта китайского. В нашем API доступны 18 из них: русский, английский, немецкий, французский, испанский, итальянский, португальский, нидерландский, турецкий, арабский, урду, китайский, кантонский, японский, корейский, индонезийский, малайский и вьетнамский.
- Отдаёт отметки времени слов и фраз в ответе
verbose_json. - Распознаёт не только речь, но и пение, в том числе песни с музыкой на фоне.
- По замерам Qwen, язык записи модель определяет верно в 97,9% случаев, у Whisper large-v3 в том же тесте — 94,1%.
- На внутреннем наборе Qwen с очень сильным шумом доля ошибок в словах у неё 16,17%, у Whisper large-v3 — 63,17%.
Где применять
Голосовые команды в приложении
«Поставь напоминание на завтра в девять», «Включи свет в спальне», «Добавь молоко в список» — команды по 3–5 секунд, которых за день набираются тысячи. Модель переводит их в текст, а дальше обычный код или текстовая модель понимает, что сделать. Для таких запросов подходит ответ response_format=text: ничего лишнего, только фраза. Язык команд не стоит оставлять модели на угадывание: передай его в language, если приложение и так знает язык человека.
Пример запроса: «file=cmd-55102.wav, language=ru, response_format=text»
Стоимость: 12 000 команд по 5 секунд — около 140,00 ₽.
Видеоблоги и записи с музыкой на фоне
У влогов музыка играет почти всегда: в начале, на переходах, под рассказом. Qwen прямо относит пение и песни с музыкой на фоне к звуку, который модель умеет расшифровывать. Расшифровка пригодится для описания ролика, поиска по каналу и черновика субтитров с отметками времени. Если музыка громче голоса, сделай для расшифровки отдельную дорожку с приглушённым фоном. Отметки фраз потом помогут собрать оглавление выпуска по минутам.
Пример запроса: «file=vlog-ep-18.mp3, response_format=verbose_json, timestamp_granularities[]=segment»
Стоимость: 10 роликов по 15 минут — около 21,00 ₽.
Тренажёр произношения с подсветкой слов
В приложении для изучения языка ученик читает фразу вслух, а программа подсвечивает, какие слова распознались, а какие нет. Тут пригодится время каждого слова: модель отдаёт его в verbose_json, если попросить timestamp_granularities[]=word. Сравни распознанный текст с образцом и подсвети расхождения. В нашем API у модели 18 языков, среди них английский, немецкий, испанский и китайский. Подскажи язык упражнения в language, чтобы ошибки ученика не приняли за другой язык.
Пример запроса: «file=lesson-12-try-3.webm, language=en, response_format=verbose_json, timestamp_granularities[]=word»
Стоимость: 600 упражнений по 20 секунд — около 28,00 ₽.
Проба перед запуском на своём сервере
Открытые веса под Apache 2.0 можно развернуть у себя, но сначала хорошо бы понять, справится ли модель с твоими записями. Через наш API это проверяется без видеокарты и настройки: прогони пару сотен своих файлов и посмотри на ошибки. Если результат устраивает, а объёмы растут, переезжай на свой сервер; если объёмы небольшие, проще остаться на API и платить за минуты.
Пример запроса: «file=sample-0042.flac, response_format=verbose_json»
Стоимость: 300 минут тестовых записей — около 42,00 ₽.
Характеристики
| Разработчик | Qwen (Alibaba) |
|---|---|
| Вид | Распознавание речи |
| Файл | mp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ |
| Звук за раз | до 2 ч |
| Ответ | json, text, srt, vtt, verbose_json |
| id для запроса | qwen/qwen3-asr-1.7b |
Как подключить
Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.
Запрос — POST https://veselo.ai/v1/audio/transcriptions с полем model: qwen/qwen3-asr-1.7b, ключ — в заголовке Authorization: Bearer sk-vsl-….
curl
curl https://veselo.ai/v1/audio/transcriptions \
-H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
-F model="qwen/qwen3-asr-1.7b" \
-F file="@speech.mp3"Python
from openai import OpenAI # pip install openai
client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)
with open("speech.mp3", "rb") as f:
r = client.audio.transcriptions.create(model="qwen/qwen3-asr-1.7b", file=f)
print(r.text)JavaScript
import fs from 'node:fs';
import OpenAI from 'openai'; // npm i openai
const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: 'sk-vsl-ТВОЙ_КЛЮЧ', timeout: 600_000, maxRetries: 0 });
const r = await client.audio.transcriptions.create({
model: 'qwen/qwen3-asr-1.7b',
file: fs.createReadStream('speech.mp3'),
});
console.log(r.text);Пример ответа — только поля
{
"text": "…"
}В программах: тем же ключом и по тому же адресу, что остальные модели, — из любого HTTP-клиента или библиотеки openai. Библиотеки и программы
Сравнение с похожими
| Модель | Цена | Главное | Когда выбрать |
|---|---|---|---|
| Qwen3-ASR 1.7B — эта модель | 0,14 ₽ / мин | до 2 ч звука | короткие команды и записи с музыкой на фоне; открытые веса |
| Qwen3-ASR Flash — Qwen (Alibaba) | 0,24 ₽ / мин | до 2 ч звука | короткие записи до 5 минут с терминами, в том числе на китайском |
| Cartesia Ink Whisper — Cartesia | 0,26 ₽ / мин | до 2 ч звука | массовая расшифровка голосовых сообщений, заметок и телефонных записей |
| Soniox STT v6 — Soniox | 0,19 ₽ / мин | до 2 ч звука | фоновая расшифровка записей на 60+ языках, когда ответ может подождать |
| Grok STT — xAI (Grok) | 0,19 ₽ / мин | до 2 ч звука | расшифровка встреч, звонков и голосовых на русском и ещё 37 языках со временем слов |
| AssemblyAI Universal-2 — AssemblyAI | 0,28 ₽ / мин | до 2 ч звука | пакетная расшифровка на многих языках, русский — с высокой точностью |
- Qwen3-ASR Flash — 26 языков и контекст в подсказке, но без отметок времени и с пределом в пять минут.
- Whisper Large v3 Turbo — тоже открытые веса, 99 языков и отметки времени.
- Cartesia Ink Whisper — модель Cartesia на основе Whisper с русским; сравни цены в таблице.
Как устроен доступ
Весело — не разработчик Qwen3-ASR 1.7B: модель выпускает Qwen (Alibaba). Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность
Вопросы и ответы
- Почему у Qwen3-ASR 1.7B в API 18 языков, а в карточке 30?
- В карточке перечислены языки, которые знает сама модель. В нашем API модель принимает 18 из них, и это список, который мы можем честно обещать. Русский, английский, китайский и ещё 15 языков в нём есть, а, например, польского и чешского нет — для них подойдёт Qwen3-ASR Flash.
- Можно ли скачать Qwen3-ASR 1.7B и запустить у себя?
- Да, веса лежат на странице модели, лицензия Apache 2.0 разрешает и коммерческое использование. Отметки времени в открытом выпуске считает отдельная модель Qwen3-ForcedAligner-0.6B, через наш API они приходят сразу в ответе.
- Есть ли у Qwen3-ASR 1.7B разметка говорящих?
- Через наш API — нет, в ответе только текст и время слов и фраз. Если важно, кто говорит, возьми GPT-4o Transcribe Diarize.
- Распознаёт ли Qwen3-ASR 1.7B песни?
- Да, Qwen прямо называет среди возможностей пение и песни с музыкой на фоне и публикует замеры на таких наборах. Но по замерам Qwen ошибок на целых песнях заметно больше, чем на обычной речи, поэтому для караоке и субтитров к клипам вычитывай результат.
- Есть ли подписка или абонентская плата?
- Нет. API-счёт пополняется на нужную сумму, а списывается только то, что потратили запросы. Чем больше расход за месяц, тем больше кэшбэк — от 1 до 5%.
- Сколько запросов можно отправлять?
- До 60 запросов в минуту и до 10 одновременно на один ключ, ключей у аккаунта — до 20. Сверх лимита придёт ответ 429 с заголовком Retry-After: через столько секунд можно повторить.
- Нужны ли VPN и зарубежная карта для Qwen3-ASR 1.7B?
- Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
Ещё по теме
Факты сверены 16 ноября 2026 по документации: huggingface.co, alibabacloud.com