Pengecaman pertuturan diam-diam bertukar open weight — dan muat dalam 1.56 GB

Pasukan Qwen milik Alibaba meletakkan tiga model pengecaman pertuturan di Hugging Face yang hampir tiada sesiapa menulis mengenainya. Qwen3-ASR-0.6B, Qwen3-ASR-1.7B, serta satu model iringan bernama Qwen3-ForcedAligner-0.6B, semuanya di bawah lesen Apache 2.0. Yang terkecil bersaiz muat turun 1.56 GB, mengendalikan 52 bahasa dan dialek, dan sejak 26 Jun ia berjalan dengan tiga baris Python standard. Anda letakkan pada mesin yang anda sudah miliki, dan tiada sesiapa boleh menghantar bil kepada anda kerananya.

Coraknya sukar dilepaskan pandang, kerana kita pernah menyaksikannya sekali. Model bahasa besar menghabiskan 2023 dan 2024 sebagai barang yang disewa melalui API, kemudian lapisan open weight tiba dan menjadi pilihan lalai bagi sesiapa yang mengambil berat tentang kos, privasi, atau keupayaan berjalan luar talian. Transkripsi kini menempuh jalan yang sama, kira-kira dua tahun lewat.

Tulisan ini ialah peta peralihan itu untuk mereka yang tidak mengikuti pelancaran model sebagai kerjaya: apa itu model pertuturan open weight, model mana yang wujud sekarang dan di bawah lesen apa, apa yang "0.6B pada komputer riba anda" berikan secara praktikal, dan — bahagian yang dilangkau kebanyakan liputan — di mana API tertutup yang dihoskan masih jelas mendahului.

TL;DR:

• Transkripsi open weight sudah boleh digunakan hari ini: Qwen3-ASR di bawah Apache 2.0 dengan 52 bahasa dan dialek, Whisper di bawah MIT, Parakeet dan Canary daripada NVIDIA di bawah CC BY 4.0, Voxtral daripada Mistral di bawah Apache 2.0.
• Menghos sendiri memberi privasi, operasi luar talian, dan kawalan kos. Pada papan bebas Artificial Analysis, menghos model terbuka berharga 1.50 dolar bagi setiap 1,000 minit, berbanding 6.00 dolar bagi MAI-Transcribe-1.5 daripada Microsoft dan 18.15 dolar bagi Gemini 3.1 Pro Preview.
• Tempat pertama bagi ketepatan masih dipegang titik akhir pratonton tertutup. Namun satu model terbuka berlesen Apache 2.0, Voxtral Small, kini berada di tempat kelima, kira-kira satu mata kadar ralat perkataan di belakangnya.

Gambar: Aaron Parecki, Wikimedia Commons, CC BY 2.0. Bentuk gelombang dan spektrogram bagi ayat "it rains a lot in Portland", dengan huruf diletakkan tepat di atas audio yang sepadan — inilah bahan mentah yang diproses oleh setiap model pengecaman pertuturan.

Apa yang sebenarnya anda muat turun apabila memuat turun model transkripsi

Model ASR — pengecaman pertuturan automatik, digunakan silih berganti dengan STT atau pertuturan ke teks — ialah program yang menerima audio dan menghasilkan teks. Itu sahaja tugasnya. Ia tidak memutuskan siapa yang bercakap, tidak meringkaskan, tidak tahu mesyuarat anda tentang apa. Ia mendengar perkataan lalu menulisnya.

"Open weights" bermaksud makmal itu menerbitkan fail model siap itu sendiri. Pemberat sesebuah model ialah grid nombor gergasi yang dipelajarinya semasa latihan, dan menerbitkannya bermakna anda memuat turun fail tersebut, menjalankannya pada perkakasan sendiri, dan membina di atasnya tanpa meminta kebenaran sesiapa atau membayar mengikut permintaan. Alternatifnya ialah model tertutup: pemberatnya kekal pada pelayan vendor dan anda menyewa akses melalui API — audio naik, teks kembali, dan pengebilan mengikut minit.

Nombor dalam nama itu ialah kiraan parameter, dan bagi model pertuturan ia terasa luar biasa konkrit. "0.6B" bermaksud kira-kira 600 juta parameter, yang dalam amalannya menjadikan Qwen3-ASR-0.6B sebuah fail 1.56 GB dan Qwen3-ASR-1.7B sebuah fail 4.08 GB — kedua-duanya cukup kecil untuk duduk pada SSD komputer riba tanpa disedari sesiapa. Bandingkan dengan model bahasa terbuka yang kami bincangkan dalam rangkuman gelombang model China, yang pelancaran utamanya bersaiz 1.56 terabait dalam 96 serpihan dan memerlukan kelompok pelayan semata-mata untuk dimuatkan. Model pertuturan kira-kira seribu kali lebih kecil daripada model teks barisan hadapan, dan fakta tunggal itulah sebabnya peralihan ini terasa lebih kuat di sini berbanding di sana.

Inilah istilah yang akan kami gunakan sepanjang baki tulisan ini: kelas komputer riba. Ia merujuk kelompok model yang persoalan perkakasannya hilang begitu sahaja — di mana "mampukah saya menjalankannya?" berhenti menjadi perbualan bajet dan bertukar menjadi satu muat turun. Kebanyakan model teks tidak berada dalam kelas itu. Model pertuturan hampir semuanya berada di dalamnya.

Satu baris lagi yang patut dibaca sebelum sebarang penanda aras: lesennya. Apache 2.0 dan MIT berada di hujung yang longgar — guna, ubah, masukkan ke dalam produk komersial, tanpa terhutang apa-apa. CC BY 4.0 yang digunakan NVIDIA juga boleh diguna secara komersial tetapi menuntut atribusi.

Qwen melancarkan keluarga ini pada Januari; Jun ialah saat ia menjadi mudah

Kini kepada pelancaran yang mencetuskan tulisan ini, berserta satu pembetulan terhadap cara ia diperihalkan. Keluarga Qwen3-ASR tidak muncul pada bulan Jun. Repositori asalnya dinaikkan pada 28 Januari 2026, dan laporan teknikalnya mendarat di arXiv keesokan harinya. Apa yang berlaku pada 26 Jun ialah Qwen menerbitkan versi -hf bagi ketiga-tiga model itu — checkpoint yang berjalan secara asli dalam Hugging Face Transformers bermula versi 5.13.0.

Bunyinya seperti nota kaki, tetapi ia bukan. Sebelum itu, menjalankan model bermakna memasang pakej milik Qwen sendiri, qwen-asr, atau backend vLLM, dan mempelajari rantaian alatnya. Selepas itu, ia hanyalah tiga baris Python standard yang sudah dikenali oleh mana-mana pembangun yang pernah menyentuh Transformers. Halangan yang menyebabkan kebanyakan model terbuka terbiar jarang sekali model itu sendiri. Ia empat puluh minit bergelut dengan persekitaran sebelum transkrip pertama muncul, dan itulah yang dihapuskan oleh 26 Jun.

Spesifikasinya diambil terus daripada kad model. Kedua-dua saiz melakukan pengenalpastian bahasa dan pengecaman pertuturan bagi 30 bahasa — Inggeris, Cina, Korea, Jepun, Sepanyol, Arab, Hindi, Thai, Vietnam, Poland dan dua puluh lagi — ditambah 22 dialek Cina, dan begitulah angka "52 bahasa dan dialek" itu terhasil. Kedua-duanya menjalankan inferens penstriman dan luar talian daripada satu model yang sama, sesuatu yang lebih jarang daripada bunyinya: banyak model transkripsi hanya mampu salah satu. Kedua-duanya menerima audio panjang, dan kad itu turut menyenaraikan nyanyian serta lagu bermuzik latar sebagai jenis audio yang disokong.

Model ketiga wajar diberi perhatian. Qwen3-ForcedAligner-0.6B melakukan penjajaran paksa: berikan ia audio dan sebuah transkrip, ia akan menanda di mana setiap perkataan bermula dan berakhir, tepat sehingga milisaat, bagi 11 bahasa dan sehingga lima minit pertuturan pada satu masa. Itulah jentera di sebalik transkrip yang boleh diklik, pemasaan sari kata, dan lompatan terus ke saat seseorang menyebut sesuatu. Itulah tepat yang ditunjukkan oleh gambar di awal tulisan ini. Menerbitkan penjajar bersama pengecam ialah isyarat tentang untuk siapa pelancaran ini dibuat: bukan orang yang menjalankan demo, tetapi orang yang membina produk.

Mengenai kualiti, asingkan dahulu siapa mendakwa apa. Kad milik Qwen sendiri melaporkan angka daripada Hugging Face Open ASR Leaderboard bertarikh 26 Jun 2026: purata kadar ralat perkataan 5.59 % bagi model 1.7B dan 6.31 % bagi 0.6B, dengan subset audio mesyuarat AMI pada 9.26 % dan 10.57 %. Kadar ralat perkataan ialah bahagian perkataan yang disalah tangkap oleh model, jadi lebih rendah lebih baik, dan AMI ialah angka paling sukar di situ kerana mesyuarat sebenar memang bersepah. Qwen turut menyifatkan versi 1.7B sebagai "termaju dalam kalangan model ASR sumber terbuka" dan setanding API komersial — anggap itu dakwaan vendor sehingga ada pihak di luar Alibaba mengukurnya. Perhatikan juga bahawa ini penanda aras yang berbeza daripada papan bebas di bawah, dengan audio yang berbeza, jadi dua set angka ini tidak boleh dibandingkan antara satu sama lain.

Whisper yang memulakan semua ini, dan ia masih model yang semua orang jalankan

Semua ini tidak akan berbentuk sebegini tanpa Whisper daripada OpenAI. Repositorinya dibuka pada 16 September 2022 di bawah lesen MIT — kod dan pemberat sekali gus — pada waktu pengecaman pertuturan yang serius bermakna kontrak dengan penyedia awan. Sejak itu ia mengumpul 106,679 bintang di GitHub.

Yang menjadikan Whisper penting bukanlah modelnya sebanyak apa yang dibina komuniti di atasnya dalam beberapa bulan. whisper.cpp menulisnya semula dalam C dan C++ tulen, berlesen MIT, 52,591 bintang, dan membuatkannya berjalan pada komputer riba dan telefon tanpa Python dan tanpa GPU. faster-whisper membinanya semula di atas CTranslate2 dengan lonjakan besar pada kelajuan dan memori, MIT juga, 24,750 bintang. Model itu benihnya; ekosistem itu pokoknya.

Empat tahun berlalu, ia masih model pertuturan paling banyak digunakan di dunia. Dalam 30 hari lepas, whisper-large-v3-turbo dimuat turun 8.72 juta kali daripada Hugging Face dan whisper-large-v3 5.50 juta kali — angka yang kami tarik pada 5 Ogos 2026. Qwen3-ASR-0.6B, pada 4.29 juta, mendaki laju bagi model berusia enam bulan, tetapi pilihan lalai yang dicapai industri tanpa berfikir tetap Whisper. Namun ketepatannya sudah menua: pada papan Artificial Analysis, Whisper Large v3 mencatat AA-WER 4.07 % berbanding 1.73 % milik peneraju semasa. Walaupun begitu, sangat banyak produk yang sudah dilancarkan masih menjalankannya.

Lapisan pertuturan terbuka tiba dalam dua gelombang berselang tiga tahun, dengan hampir kosong di antaranya. Tarikh pelancaran daripada GitHub dan Hugging Face, ditarik pada 5 Ogos 2026.

Pihak terbuka bukan sekadar satu makmal

Qwen tidak keseorangan, dan yang lain hebat dalam perkara yang jelas berbeza.

Barisan Parakeet daripada NVIDIA bertaruh pada kelajuan. parakeet-tdt-0.6b-v3, dikeluarkan pada Ogos 2025 di bawah CC BY 4.0, ialah model 600 juta parameter yang merangkumi 25 bahasa Eropah dengan pengesanan bahasa automatik, tanda baca, huruf besar, dan cap masa peringkat perkataan terbina dalam, serta menelan audio sehingga 24 minit dalam satu laluan. Keluarga Canary daripada NVIDIA — canary-1b-v2 dan canary-qwen-2.5b, juga CC BY 4.0 — merangkumi kawasan serupa dengan pertaruhan seni bina yang berbeza. Model Voxtral daripada Mistral tiba pada Julai 2025 di bawah Apache 2.0, dan pentingnya kerana satu sebab yang akan kita capai sebentar lagi.

Inilah pihak terbuka disusun bersebelahan, dengan API dihoskan pada baris terakhir sebagai perbandingan.

Saiz muat turun ialah checkpoint lalai dalam setiap repositori Hugging Face; "—" menandakan nilai yang tidak dapat kami sahkan daripada sumber utama. Ditarik pada 5 Ogos 2026.

Kemudian ada kerja pembungkusan yang membawa model-model ini ke peranti sebenar, titik di mana kelas komputer riba berhenti menjadi teori. whisperkit-coreml — Whisper yang dikompil untuk perkakasan Apple — dimuat turun 8.31 juta kali dalam 30 hari lepas. Binaan MLX Parakeet untuk Apple Silicon meraih 1.87 juta, dan dua penukaran GGUF — format terkuantisasi yang menjalankan model pada CPU biasa — meraih 2.04 juta dan 1.87 juta. Berjuta orang sebulan memuat turun pengecaman pertuturan yang dibungkus khusus supaya berjalan pada mesin mereka sendiri. Itu bukan kehairanan penyelidikan. Itu saluran pengedaran.

Tempat pertama masih titik akhir pratonton yang anda tidak boleh muat turun

Di sinilah pengiraan jujur bermula, dan ia memotong dua arah.

Kami menarik papan pertuturan-ke-teks Artificial Analysis pada 5 Ogos 2026 — penanda aras bebas yang mengukur model terbuka dan tertutup pada audio yang sama, tidak seperti papan Hugging Face yang merupakan urusan sesama model terbuka. Puncak indeks AA-WER:

Sumber: papan kedudukan pertuturan-ke-teks Artificial Analysis, AA-WER v2, ditarik pada 5 Ogos 2026. Status muat turun dinilai daripada lesen yang diterbitkan setiap model.

Baca empat baris teratas dahulu, kerana itulah pembetulan bagi mana-mana cerita yang menyatakan pihak terbuka sudah menang. Model pertuturan berskor terbaik di dunia ialah barang yang disewa, dan penerajunya pun belum tersedia umum — ia sebuah titik akhir pratonton.

Kini baca baris kelima, kerana ia membetulkan pembetulan tadi. Voxtral Small berlesen Apache 2.0. Anda boleh memuat turunnya, menjalankannya pada perkakasan sendiri, dan menghantarnya secara komersial — dan ia berada di tempat kelima papan bebas dengan 2.77 %, kira-kira satu mata kadar ralat perkataan di belakang sebuah model pratonton tertutup. Diterjemah kepada mesyuarat sejam berisi 6,300 perkataan, jurang itu bernilai kira-kira 66 perkataan. Nyata, tetapi jauh daripada jurang menganga seperti yang lazim digambarkan.

Pandangan kami: rumusan yang tepat bukanlah "STT terbuka jauh ketinggalan". Model pertuturan terbuka sudah lama melepasi ambang cukup baik untuk kebanyakan kerja, dan kelebihan yang tinggal pada pihak tertutup ialah satu mata kadar ralat ditambah produk yang membalutnya. Ini membawa kita kepada pertukaran yang sebenarnya menentukan.

Apa yang anda peroleh dengan menjalankannya sendiri, dan apa kosnya

Ada tiga perkara yang menolak pasukan ke arah menghos sendiri, dan tiada satu pun berkenaan ketepatan.

Privasi yang pertama dan lazimnya menentukan. Jika anda mentranskripsi konsultasi perubatan, temu bual guaman, atau perbualan sumber manusia, "audio tidak meninggalkan perkakasan kami" bukan pilihan hati tetapi syarat perolehan, dan model yang anda hos sendiri ialah satu-satunya seni bina yang memenuhinya dengan kemas. Operasi luar talian yang kedua: model pada peranti berfungsi di dalam kapal terbang, di ruang bawah tanah, di lantai kilang, di tapak tanpa isyarat. Itulah sebabnya whisper.cpp dan binaan GGUF mempunyai angka muat turun seperti yang ada.

Kos yang ketiga, dan di sini angkanya terus terang. Daripada gambaran Artificial Analysis yang sama, harga bagi setiap 1,000 minit audio: Whisper Large v3 yang dihos di fal.ai berharga 0.50 dolar, Canary Qwen 2.5B daripada NVIDIA di Replicate 0.74, Parakeet TDT 0.6B V3 di Together AI 1.50. Di pihak tertutup, Nova-3 daripada Deepgram 4.30, MAI-Transcribe-1.5 6.00, dan Gemini 3.1 Pro Preview 18.15. Itu jurang 4 kali ganda berbanding Microsoft dan 12 kali ganda berbanding Google, semata-mata untuk menghos model terbuka pada pelayan orang lain — sebelum anda mempertimbangkan menjalankannya pada pelayan sendiri, yang di situ kos sut jam keseribu ialah elektrik.

Kelajuan memotong ke arah yang sama, dan inilah butiran yang paling mengejutkan kami. Model terpantas pada keseluruhan papan ialah Parakeet TDT 0.6B V3 yang disajikan di Together AI, pada 885 kali masa nyata — audio sejam kembali dalam kira-kira empat saat. Nova-3 daripada Deepgram mencapai 512x, Whisper Large v3 di Together 478x, MAI-Transcribe-1.5 189x. Pilihan transkripsi terpantas yang ada ialah model open weight bersaiz 600 juta parameter yang sesiapa sahaja boleh muat turun.

Pertukaran ini tidak pernah ketepatan lawan ketepatan. Ia kawalan dan kos lawan ciri-ciri yang membaluti pengecaman.

Jadi apa lagi yang dijual oleh API dihoskan? Segala yang bukan pengecaman. Dokumentasi Deepgram ialah inventori yang adil: pengasingan penutur, penstriman masa nyata, pemformatan, perbendaharaan kata tersuai, penyamaran entiti, pengesanan bahasa, dan jaminan operasi bahawa ia terus hidup ketika anda tidur. Muat turun Qwen3-ASR dan anda memperoleh perkataan serta cap masa. Tiada label penutur, tiada SLA, dan bil GPU, penskalaan, serta panggilan pukul tiga pagi menjadi milik anda.

Model paling banyak dimuat turun dalam kategori ini bukan model transkripsi

Ada satu statistik yang mengikat semuanya, dan kami tidak menjangkakannya.

Apabila anda menyusun keseluruhan kategori pengecaman pertuturan automatik di Hugging Face mengikut muat turun, model di puncak bukan Whisper, bukan Qwen, bukan juga Parakeet. Ia pyannote/speaker-diarization-3.1, dengan 8.91 juta muat turun dalam 30 hari lepas, dan sebuah lagi model pengasingan penutur pyannote mengambil tempat kelima dengan 5.26 juta. Pengasingan penutur ialah jentera yang menentukan siapa bercakap bila — lapisan tepat di atas transkripsi.

Pemberat terbuka kini menutup dua lapisan pertama. Lapisan yang menentukan sama ada nota itu berguna terletak di atasnya.

Model paling dicari dalam kategori pengecaman pertuturan sebenarnya tidak mengecam pertuturan. Ia menjawab soalan yang dibiarkan tergantung oleh para pengecam, kesimpulan yang sama yang kami capai dari sisi pasaran yang tertutup, ketika model berskor tertinggi di dunia dilancarkan tanpa label penutur. Dua sudut pandang yang sama sekali berbeza, penemuan yang sama: mendengar perkataannya ialah bahagian yang sudah selesai.

Kesimpulan

Soalan menarik tentang pengecaman pertuturan open weight tidak pernah "adakah ia sebaik model tertutup". Ia berjarak kira-kira satu mata kadar ralat perkataan, ia lebih pantas, ia empat hingga dua belas kali lebih murah, dan ia muat pada komputer riba. Soalan menariknya ialah apa yang anda bina dalam ruang yang terbuka apabila transkripsi berhenti menjadi kos sewaan — kerana fail 1.56 GB yang mendengar 52 bahasa bukanlah produk. Ia sebuah komponen yang baru sahaja menjadi percuma.

Bagi pasukan yang memilih alat nota mesyuarat dan bukan memilih model, bacaannya ringkas. Sama ada sesebuah produk menjalankan model terbuka atau API tertutup kini sebahagian besarnya hanyalah butiran pelaksanaan, dan makin lama ia akan menjadi kedua-duanya: pemberat terbuka untuk kerja bervolum besar, API dihoskan di tempat pengasingan penutur, penstriman, dan skala berbaloi dengan harganya. Telli.sh sudah menjalankan model terbuka dalam lapisan ringkasannya, jadi kemajuan di pihak terbuka mengalir terus ke transkripsi, terjemahan, dan nota mesyuarat tanpa perubahan harga. Nilai alat itu daripada apa yang keluar di penghujung: sama ada nota itu memberitahu anda siapa berjanji melakukan apa.

Mulakan nota AI secara langsung

Sumber

• Kad model Qwen3-ASR-0.6B-hf (Hugging Face) — lesen, senarai bahasa, angka papan kedudukan bertarikh 26 Jun 2026
• Kad model Qwen3-ASR-1.7B-hf (Hugging Face)
• Qwen3-ForcedAligner-0.6B (Hugging Face)
• Qwen3-ASR Technical Report, arXiv:2601.21337 (dihantar 29 Januari 2026)
• Repositori OpenAI Whisper (MIT, diterbitkan 16 September 2022)
• whisper.cpp dan faster-whisper
• Kad model NVIDIA parakeet-tdt-0.6b-v3 (CC BY 4.0)
• Mistral Voxtral-Small-24B-2507 (Apache 2.0)
• Papan kedudukan pertuturan-ke-teks Artificial Analysis — AA-WER v2, angka kelajuan dan harga ditarik pada 5 Ogos 2026
• Hugging Face Open ASR Leaderboard
• Dokumentasi Deepgram tentang pengasingan penutur
• Halaman gambar di Wikimedia Commons