Qwen3-ASR vs Voxtral Realtime: qual modelo de streaming usar?

Qwen3-ASR cobre 30 idiomas mais 22 dialetos chineses com marcações de tempo; Voxtral Realtime é um único modelo 4B com atraso de 80 ms a 2,4 s. Compare idiomas e latência.

  • Atualizado

Veredito. Os dois são modelos de fala para texto Apache 2.0 com streaming, então escolha pelos idiomas e por como vai servir o modelo. O Qwen3-ASR vem em tamanhos 1.7B e 0.6B, cobre 30 idiomas mais 22 dialetos chineses, transcreve canto e tem um aligner forçado para marcações de tempo por palavra. O Voxtral Mini Realtime é um único modelo 4B para 13 idiomas em que você define o atraso entre 80 ms e 2,4 s: a tabela da Mistral mostra taxa média de erro de 12.60% a 160 ms e 8.72% a 480 ms. Nenhum model card descreve rótulos de falante, e as alegações de precisão dos dois desenvolvedores são deles próprios.

Especificações

Especificações Qwen3-ASRVoxtral Realtime
DesenvolvedorAlibaba QwenMistral AI
Lançamento29 de janeiro de 20264 de fevereiro de 2026
Total de parâmetros2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
Parâmetros ativosTodosTodos
ArquiteturaOutraDensa
Janela de contexto–128K tokens
EntradaÁudioÁudio
Licença Apache 2.0 (Permissiva) Apache 2.0 (Permissiva)
Memória para a menor variante (4 bits)2.12 GB (ForcedAligner 0.6B (timestamps))10 GB (Voxtral Mini 4B Realtime)

As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.

Escolha Qwen3-ASR se

  • Seu áudio está em chinês, inclui dialetos regionais ou canto.
  • Você precisa de marcações de tempo por palavra ou por caractere para legendas.
  • Você quer um modelo pequeno e rápido de 0.6B para lotes de alto volume.
  • Você precisa de um idioma fora dos 13 do Voxtral.

Escolha Voxtral Realtime se

  • Você precisa de legendas ao vivo ou de um assistente de voz e quer definir o atraso você mesmo.
  • Você quer um único modelo 4B para ambientes privados ou no dispositivo, sob Apache 2.0.
  • Os 13 idiomas amplamente falados cobrem suas necessidades.
  • Você consegue rodar vLLM com streaming por websocket, como o model card recomenda.

Qwen3-ASR · Voxtral Realtime