Qwen3-ASR против Voxtral Realtime: какую потоковую модель выбрать?
Qwen3-ASR покрывает 30 языков плюс 22 китайских диалекта с таймкодами; Voxtral Realtime — одна модель 4B с задержкой от 80 мс до 2,4 с. Сравните языки и задержку.
Вердикт. Обе модели — Apache 2.0 распознавание речи с потоковым режимом, поэтому выбирайте по языкам и по способу развёртывания. Qwen3-ASR выпускается в размерах 1.7B и 0.6B, покрывает 30 языков плюс 22 китайских диалекта, транскрибирует пение и имеет принудительный выравниватель для пословных таймкодов. Voxtral Mini Realtime — одна модель 4B для 13 языков, в которой задержку задают между 80 мс и 2,4 с: в таблице Mistral средняя ошибка 12.60% при 160 мс и 8.72% при 480 мс. Ни одна карточка модели не описывает метки говорящих, а заявления о точности обоих разработчиков — их собственные.
Характеристики
| Характеристики | Qwen3-ASR | Voxtral Realtime |
|---|---|---|
| Разработчик | Alibaba Qwen | Mistral AI |
| Дата выпуска | 29 января 2026 г. | 4 февраля 2026 г. |
| Всего параметров | 2.35B (1.7B) | 4.43B (Voxtral Mini 4B Realtime) |
| Активные параметры | Все | Все |
| Архитектура | Другое | Плотная |
| Контекстное окно | – | 128K токенов |
| Вход | Аудио | Аудио |
| Лицензия | Apache 2.0 (Пермиссивная) | Apache 2.0 (Пермиссивная) |
| Память для минимального варианта (4 бита) | 2.12 GB (ForcedAligner 0.6B (timestamps)) | 10 GB (Voxtral Mini 4B Realtime) |
Заявления о производительности поступают от разработчика и не проверялись независимо.
Выбирайте Qwen3-ASR, если
- Ваше аудио на китайском, с региональными диалектами или пением.
- Вам нужны таймкоды по словам или символам для субтитров.
- Вы хотите маленькую быструю модель 0.6B для больших пакетных задач.
- Вам нужен язык за пределами 13 языков Voxtral.
Выбирайте Voxtral Realtime, если
- Вам нужны живые субтитры или голосовой ассистент, и вы хотите сами задать задержку.
- Вы хотите одну модель 4B для приватных или локальных развёртываний под Apache 2.0.
- Вас устраивают 13 широко распространённых языков.
- Вы можете запустить vLLM с потоковой передачей по websocket, как рекомендует карточка модели.