Qwen3-ASR vs Voxtral Realtime : quel modèle de transcription en streaming utiliser ?
Qwen3-ASR couvre 30 langues plus 22 dialectes chinois avec horodatage ; Voxtral Realtime est un seul modèle 4B avec un délai de 80 ms à 2,4 s. Comparez langues et latence.
Verdict. Tous deux sont des modèles de parole-à-texte Apache 2.0 avec streaming : choisissez donc selon les langues et selon la manière de les servir. Qwen3-ASR existe en tailles 1.7B et 0.6B, couvre 30 langues plus 22 dialectes chinois, transcrit le chant et embarque un aligneur forcé pour l'horodatage au mot. Voxtral Mini Realtime est un seul modèle 4B pour 13 langues dans lequel vous réglez le délai entre 80 ms et 2,4 s : le tableau de Mistral affiche une erreur moyenne de 12.60 % à 160 ms et de 8.72 % à 480 ms. Aucune des deux fiches ne décrit d'étiquettes de locuteurs, et les affirmations de précision des deux développeurs sont les leurs.
Spécifications
| Spécifications | Qwen3-ASR | Voxtral Realtime |
|---|---|---|
| Développeur | Alibaba Qwen | Mistral AI |
| Date de sortie | 29 janvier 2026 | 4 février 2026 |
| Paramètres totaux | 2.35B (1.7B) | 4.43B (Voxtral Mini 4B Realtime) |
| Paramètres actifs | Tous | Tous |
| Architecture | Autre | Dense |
| Fenêtre de contexte | – | 128K tokens |
| Entrée | Audio | Audio |
| Licence | Apache 2.0 (Permissive) | Apache 2.0 (Permissive) |
| Mémoire pour la plus petite variante (4 bits) | 2.12 GB (ForcedAligner 0.6B (timestamps)) | 10 GB (Voxtral Mini 4B Realtime) |
Les affirmations de performance viennent du développeur et n’ont pas été vérifiées de manière indépendante.
Choisissez Qwen3-ASR si
- Votre audio est en chinois, avec des dialectes régionaux ou du chant.
- Vous avez besoin d'horodatages au mot ou au caractère pour des sous-titres.
- Vous voulez un petit modèle rapide de 0.6B pour des lots à gros volume.
- Vous avez besoin d'une langue hors des 13 de Voxtral.
Choisissez Voxtral Realtime si
- Vous avez besoin de sous-titres en direct ou d'un assistant vocal et voulez régler le délai vous-même.
- Vous voulez un seul modèle 4B pour des installations privées ou embarquées, sous Apache 2.0.
- Les 13 langues les plus parlées couvrent vos besoins.
- Vous pouvez faire tourner vLLM avec du streaming websocket, comme le recommande la fiche.