Qwen3-ASR vs Voxtral Realtime 비교: 어떤 스트리밍 모델을 써야 할까?

Qwen3-ASR는 30개 언어와 22개 중국어 방언을 타임스탬프와 함께 지원합니다. Voxtral Realtime은 단일 4B 모델로 지연 시간이 80ms~2.4초입니다. 언어와 지연 시간을 비교하세요.

  • 업데이트

결론. 두 모델 모두 스트리밍을 지원하는 Apache 2.0 음성 인식 모델이므로 언어와 서빙 방식으로 선택하세요. Qwen3-ASR은 1.7B와 0.6B 두 가지 크기로 나오며, 30개 언어와 22개 중국어 방언을 커버하고 노래 전사도 가능하며 단어 타임스탬프용 강제 정렬기를 갖춥니다. Voxtral Mini Realtime은 13개 언어용 단일 4B 모델로, 지연 시간을 80ms에서 2.4초 사이로 설정할 수 있습니다. Mistral 표 기준 평균 오류율은 160ms에서 12.60%, 480ms에서 8.72%입니다. 어느 쪽 모델 카드도 화자 라벨을 다루지 않으며, 두 개발사의 정확도 주장은 각자 발표한 것입니다.

사양

사양 Qwen3-ASRVoxtral Realtime
개발사Alibaba QwenMistral AI
출시일2026년 1월 29일2026년 2월 4일
총 파라미터2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
활성 파라미터전체전체
아키텍처기타덴스
컨텍스트 윈도우–128K 토큰
입력오디오오디오
라이선스 Apache 2.0 (허용적) Apache 2.0 (허용적)
최소 버전 메모리(4비트)2.12 GB (ForcedAligner 0.6B (timestamps))10 GB (Voxtral Mini 4B Realtime)

성능 주장은 개발사가 제공한 것이며 독립적으로 검증되지 않았습니다.

Qwen3-ASR(이)가 적합한 경우

  • 오디오가 중국어이고 지역 방언이나 노래를 포함하는 경우.
  • 자막용으로 단어 또는 글자 단위 타임스탬프가 필요한 경우.
  • 대량 배치 작업에 작고 빠른 0.6B 모델을 쓰고 싶은 경우.
  • Voxtral의 13개 언어 이외의 언어가 필요한 경우.

Voxtral Realtime(이)가 적합한 경우

  • 실시간 자막이나 음성 비서를 만들고 지연 시간을 직접 설정하고 싶은 경우.
  • Apache 2.0 단일 4B 모델로 사내 구축형이나 온디바이스 환경을 구성하고 싶은 경우.
  • 13개의 널리 쓰이는 언어면 충분한 경우.
  • 모델 카드가 권하는 vLLM 기반 websocket 스트리밍을 사용할 수 있는 경우.

Qwen3-ASR · Voxtral Realtime