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.
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-ASR | Voxtral Realtime |
|---|---|---|
| Entwickler | Alibaba Qwen | Mistral AI |
| Erscheinungsdatum | 29. Januar 2026 | 4. Februar 2026 |
| Parameter insgesamt | 2.35B (1.7B) | 4.43B (Voxtral Mini 4B Realtime) |
| Aktive Parameter | Alle | Alle |
| Architektur | Sonstige | Dense |
| Kontextfenster | – | 128K Token |
| Eingabe | Audio | Audio |
| 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.