Весело
Весело

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 секундам0,14 ₽ 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 секундОколо 140,00 ₽
Видеоблоги и записи с музыкой на фоне: 10 роликов по 15 минутОколо 21,00 ₽
Тренажёр произношения с подсветкой слов: 600 упражнений по 20 секундОколо 28,00 ₽
Проба перед запуском на своём сервере: 300 минут тестовых записейОколо 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

РазработчикQwen (Alibaba)
ВидРаспознавание речи
Файлmp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ
Звук за раздо 2 ч
Ответjson, text, srt, vtt, verbose_json
id для запросаqwen/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

Документация раздела

Сравнение с похожими

МодельЦенаГлавноеКогда выбрать
Qwen3-ASR 1.7B — эта модель0,14 ₽ / миндо 2 ч звукакороткие команды и записи с музыкой на фоне; открытые веса
Qwen3-ASR Flash — Qwen (Alibaba)0,24 ₽ / миндо 2 ч звукакороткие записи до 5 минут с терминами, в том числе на китайском
Cartesia Ink Whisper — Cartesia0,26 ₽ / миндо 2 ч звукамассовая расшифровка голосовых сообщений, заметок и телефонных записей
Soniox STT v6 — Soniox0,19 ₽ / миндо 2 ч звукафоновая расшифровка записей на 60+ языках, когда ответ может подождать
Grok STT — xAI (Grok)0,19 ₽ / миндо 2 ч звукарасшифровка встреч, звонков и голосовых на русском и ещё 37 языках со временем слов
AssemblyAI Universal-2 — AssemblyAI0,28 ₽ / миндо 2 ч звукапакетная 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