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.

  • Actualización

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-ASRVoxtral Realtime
DesarrolladorAlibaba QwenMistral AI
Lanzamiento29 de enero de 20264 de febrero de 2026
Parámetros totales2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
Parámetros activosTodosTodos
ArquitecturaOtraDensa
Ventana de contexto–128K tokens
EntradaAudioAudio
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.

Qwen3-ASR · Voxtral Realtime