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.
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-ASR | Voxtral Realtime |
|---|---|---|
| Desenvolvedor | Alibaba Qwen | Mistral AI |
| Lançamento | 29 de janeiro de 2026 | 4 de fevereiro de 2026 |
| Total de parâmetros | 2.35B (1.7B) | 4.43B (Voxtral Mini 4B Realtime) |
| Parâmetros ativos | Todos | Todos |
| Arquitetura | Outra | Densa |
| Janela de contexto | – | 128K tokens |
| Entrada | Áudio | Áudio |
| 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.