Весело
Весело

Qwen ASR: распознавание речи Qwen3-ASR Flash

Qwen ASR — распознавание речи от команды Qwen в Alibaba Cloud, а Qwen3-ASR Flash — её версия для готовых записей. Модель сама узнаёт язык, а в подсказке можно передать тему разговора и словарь имён. Подходит для коротких голосовых, заметок и заявок до пяти минут. Пять минут записи стоят около 1,20 ₽.

  • 0,24 ₽ за минуту звука
  • до 2 ч звука
  • звук → текст

qwen/qwen3-asr-flash

Обновлено:

Получить ключ Попробовать Документация

Попробовать Qwen3-ASR Flash

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 голосовую заметку с датами и названиями. Вернётся текст записи.

В ответ приходит текст записи в поле text — как у OpenAI.

Цены Qwen3-ASR Flash в рублях

Звук — считаем по секундам0,24 ₽ 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 заявки на сайте: 300 заявок по минутеОколо 72,00 ₽
Созвоны с китайскими партнёрами: созвон на полчаса, разрезанный на шесть частейОколо 7,20 ₽
Голосовые заметки с аббревиатурами: 50 заметок по 2 минутыОколо 24,00 ₽
Текст для коротких роликов: 40 роликов по полторы минутыОколо 14,40 ₽

Что умеет Qwen3-ASR Flash

  • Распознаёт речь на 26 языках, среди них русский, украинский, польский и чешский. Китайский — с диалектами: мандаринский, сычуаньский, хоккиен, у и кантонский (модели Alibaba Cloud).
  • Сама определяет язык. Если в записи точно один язык, его можно подсказать в language, а для смешанной речи поле стоит оставить пустым — так советует Alibaba Cloud.
  • Принимает контекст в prompt: фоновый текст о записи и словарь имён и терминов (справочник API).
  • Берёт записи до 5 минут за один запрос.
  • Отметок времени и разметки говорящих у этой модели нет: в ответе только текст.
  • По словам Qwen, точно расшифровывает речь и в сложной звуковой обстановке (страница модели).

Где применять

Голосовые заявки на сайте

Не всем удобно заполнять форму из десяти полей: проще нажать кнопку и рассказать, что случилось. «Течёт кран на кухне, адрес Лесная, 12, удобно завтра после шести». Qwen3-ASR Flash превращает такую заявку в текст, а дальше её разбирает текстовая модель: адрес — в одно поле, время — в другое. Заявка редко длиннее минуты, так что предел в пять минут не мешает, а человеку не нужно ничего печатать на бегу.

Пример запроса: «file=zayavka-4471.webm, language=ru»

Стоимость: 300 заявок по минуте — около 72,00 ₽.

Созвоны с китайскими партнёрами

Если поставщик из Китая присылает голосовые или созвоны на китайском, модель распознает и мандаринский, и диалекты: сычуаньский, хоккиен, у, кантонский. Для созвона на полчаса учти предел: режь запись на куски по 4–5 минут, по паузам, и отправляй по очереди. Готовый китайский текст потом переводится на русский текстовой моделью, а цифры и сроки из него проще сверить с договором. Куски, где говорят по-русски, отправляй с language=ru или без подсказки.

Пример запроса: «file=supplier-call-part-3.mp3, language=zh»

Стоимость: созвон на полчаса, разрезанный на шесть частей — около 7,20 ₽.

Голосовые заметки с аббревиатурами

В заметках по работе полно слов, которых нет в словаре: ООО, ИНН, названия внутренних систем, фамилии клиентов. Qwen3-ASR Flash принимает в prompt фоновый текст и список таких слов, и модели проще записать их так, как принято у тебя. Держи этот список в настройках приложения и дописывай, когда в работе появляются новые названия. Насовсем модель их не запомнит: подсказка работает только в том запросе, с которым её отправили.

Пример запроса: «file=zametka-0915.m4a, language=ru, prompt=Заметки менеджера: ООО «Вектор», ИНН, 1С, CRM, Тимофеева»

Стоимость: 50 заметок по 2 минуты — около 24,00 ₽.

Текст для коротких роликов

Ролики для соцсетей обычно короче пяти минут, а текст под ними нужен для описания, поиска и подписей. Отправь звуковую дорожку ролика в Qwen3-ASR Flash, и из расшифровки получится основа для описания и ключевых слов. Если ролик на английском или китайском, модель определит язык сама, подсказывать его не нужно. Имена и названия брендов перед публикацией проверь глазами. А для субтитров в кадре нужно время фраз, которого эта модель не даёт, — тут понадобится Whisper.

Пример запроса: «file=reels-0611.mp4»

Стоимость: 40 роликов по полторы минуты — около 14,40 ₽.

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-flash

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-flash, 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-flash" \
  -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-flash", 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-flash',
  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 Flash — эта модель0,24 ₽ / миндо 2 ч звукакороткие записи до 5 минут с терминами, в том числе на китайском
Qwen3-ASR 1.7B — Qwen (Alibaba)0,14 ₽ / миндо 2 ч звукакороткие команды и записи с музыкой на фоне; открытые веса
Grok STT — xAI (Grok)0,19 ₽ / миндо 2 ч звукарасшифровка встреч, звонков и голосовых на русском и ещё 37 языках со временем слов
Soniox STT v6 — Soniox0,19 ₽ / миндо 2 ч звукафоновая расшифровка записей на 60+ языках, когда ответ может подождать
Cartesia Ink Whisper — Cartesia0,26 ₽ / миндо 2 ч звукамассовая расшифровка голосовых сообщений, заметок и телефонных записей
AssemblyAI Universal-2 — AssemblyAI0,28 ₽ / миндо 2 ч звукапакетная расшифровка на многих языках, русский — с высокой точностью
  • Qwen3-ASR 1.7B — открытая модель той же семьи: отдаёт отметки времени слов и фраз, но языков в нашем API меньше.
  • Whisper Large v3 Turbo — если запись длиннее пяти минут и нужна одним файлом, вместе с отметками времени.
  • Grok STT — расшифровка xAI с русским: ещё один вариант для коротких голосовых.

Версии и отличия

Как устроен доступ

Весело — не разработчик Qwen3-ASR Flash: 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

Что такое Qwen ASR и какие модели в семье?
Это распознавание речи команды Qwen в Alibaba Cloud. Flash работает с готовыми записями до 5 минут, у варианта Filetrans (qwen/qwen3-asr-flash-filetrans) запись уходит задачей и ответ ждать дольше, а открытая Qwen3-ASR 1.7B отдаёт отметки времени. Потоковую версию для живого звука мы не продаём.
Что делать, если запись для Qwen3-ASR Flash длиннее пяти минут?
Разрезать её на куски по паузам и отправить по очереди, а тексты склеить в том же порядке. Второй путь — вариант Filetrans для длинных файлов: он примет запись целиком, если она укладывается в наш предел 25 МБ, но ответа придётся подождать.
Возвращает ли Qwen3-ASR Flash эмоции и время слов?
Эмоцию говорящего модель у себя определяет всегда, но в ответе нашего API её нет: приходит только текст. Отметок времени Qwen3-ASR Flash не отдаёт — Alibaba Cloud пишет об этом прямо. Для субтитров возьми Qwen3-ASR 1.7B или Whisper.
Как подсказать Qwen3-ASR Flash термины и имена?
Положи в prompt одну-две фразы о записи и список слов: «Совещание отдела закупок. Поставщики: «Лотос», «Сибирь-Агро». Товары: профнастил С8, саморезы». Модель получает это как контекст, а не как команду, так что просьбы вроде «пиши грамотно» ничего не дадут.
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 Flash?
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: alibabacloud.com, qwencloud.com