Qwen3-ASR vs Voxtral Realtime: ¿qué modelo de transcripción en streaming usar?
Qwen3-ASR cubre 30 idiomas más 22 dialectos chinos con marcas de tiempo; Voxtral Realtime es un único modelo 4B con una latencia de 80 ms a 2,4 s. Compara idiomas y latencia.
Veredicto. Ambos son modelos de voz a texto Apache 2.0 con streaming, así que elige por idiomas y por cómo los vas a servir. Qwen3-ASR viene en tamaños 1.7B y 0.6B, cubre 30 idiomas más 22 dialectos chinos, transcribe canciones y tiene un alineador forzado para marcas de tiempo por palabra. Voxtral Mini Realtime es un único modelo 4B para 13 idiomas en el que fijas la latencia entre 80 ms y 2,4 s: la tabla de Mistral muestra un error medio del 12.60% a 160 ms y del 8.72% a 480 ms. Ninguna ficha describe etiquetas de hablante, y las afirmaciones de precisión de ambos desarrolladores son suyas.
Especificaciones
| Especificaciones | Qwen3-ASR | Voxtral Realtime |
|---|---|---|
| Desarrollador | Alibaba Qwen | Mistral AI |
| Lanzamiento | 29 de enero de 2026 | 4 de febrero de 2026 |
| Parámetros totales | 2.35B (1.7B) | 4.43B (Voxtral Mini 4B Realtime) |
| Parámetros activos | Todos | Todos |
| Arquitectura | Otra | Densa |
| Ventana de contexto | – | 128K tokens |
| Entrada | Audio | Audio |
| Licencia | Apache 2.0 (Permisiva) | Apache 2.0 (Permisiva) |
| Memoria de la variante más pequeña (4 bits) | 2.12 GB (ForcedAligner 0.6B (timestamps)) | 10 GB (Voxtral Mini 4B Realtime) |
Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.
Elige Qwen3-ASR si
- Tu audio está en chino, incluye dialectos regionales o cantos.
- Necesitas marcas de tiempo por palabra o carácter para subtítulos.
- Quieres un modelo pequeño y rápido de 0.6B para lotes de gran volumen.
- Necesitas un idioma fuera de los 13 de Voxtral.
Elige Voxtral Realtime si
- Necesitas subtítulos en directo o un asistente de voz y quieres fijar la latencia tú mismo.
- Quieres un único modelo 4B para montajes privados o en el dispositivo, bajo Apache 2.0.
- Los 13 idiomas más hablados cubren tus necesidades.
- Puedes usar vLLM con streaming por websocket, como recomienda la ficha del modelo.