Qwen3-ASR vs. Voxtral Realtime: welches Streaming-Modell sollten Sie nutzen?

Qwen3-ASR deckt 30 Sprachen plus 22 chinesische Dialekte mit Zeitstempeln ab; Voxtral Realtime ist ein einzelnes 4B-Modell mit 80 ms bis 2,4 s Verzögerung. Vergleichen Sie Sprachen und Latenz.

  • Aktualisiert

Fazit. Beide sind Apache-2.0-Spracherkennungsmodelle mit Streaming, also wählen Sie nach Sprachen und nach der Art der Bereitstellung. Qwen3-ASR gibt es in 1.7B und 0.6B, es deckt 30 Sprachen plus 22 chinesische Dialekte ab, transkribiert Gesang und bringt einen Forced Aligner für Wort-Zeitstempel mit. Voxtral Mini Realtime ist ein einzelnes 4B-Modell für 13 Sprachen, bei dem Sie die Verzögerung zwischen 80 ms und 2,4 s einstellen: Die Tabelle von Mistral zeigt eine durchschnittliche Fehlerrate von 12.60 % bei 160 ms und 8.72 % bei 480 ms. Keine der beiden Modellkarten beschreibt Sprecher-Labels, und die Genauigkeitsangaben der beiden Entwickler sind deren eigene.

Spezifikationen

Spezifikationen Qwen3-ASRVoxtral Realtime
EntwicklerAlibaba QwenMistral AI
Erscheinungsdatum29. Januar 20264. Februar 2026
Parameter insgesamt2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
Aktive ParameterAlleAlle
ArchitekturSonstigeDense
Kontextfenster–128K Token
EingabeAudioAudio
Lizenz Apache 2.0 (Permissiv) Apache 2.0 (Permissiv)
Speicher für die kleinste Variante (4 Bit)2.12 GB (ForcedAligner 0.6B (timestamps))10 GB (Voxtral Mini 4B Realtime)

Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.

Wählen Sie Qwen3-ASR, wenn

  • Ihr Audio ist Chinesisch, mit regionalen Dialekten oder Gesang.
  • Sie brauchen Wort- oder Zeichen-Zeitstempel für Untertitel.
  • Sie möchten ein kleines, schnelles 0.6B-Modell für High-Volume-Batch-Jobs.
  • Sie brauchen eine Sprache außerhalb der 13 von Voxtral.

Wählen Sie Voxtral Realtime, wenn

  • Sie brauchen Live-Untertitel oder einen Sprachassistenten und wollen die Verzögerung selbst einstellen.
  • Sie möchten ein einzelnes 4B-Modell für private oder On-Device-Setups unter Apache 2.0.
  • Die 13 weit verbreiteten Sprachen decken Ihren Bedarf ab.
  • Sie können vLLM mit Websocket-Streaming betreiben, was die Modellkarte empfiehlt.

Qwen3-ASR · Voxtral Realtime