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.
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-ASR | Voxtral Realtime |
|---|---|---|
| 개발사 | Alibaba Qwen | Mistral AI |
| 출시일 | 2026년 1월 29일 | 2026년 2월 4일 |
| 총 파라미터 | 2.35B (1.7B) | 4.43B (Voxtral Mini 4B Realtime) |
| 활성 파라미터 | 전체 | 전체 |
| 아키텍처 | 기타 | 덴스 |
| 컨텍스트 윈도우 | – | 128K 토큰 |
| 입력 | 오디오 | 오디오 |
| 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.