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.

  • Обновлено

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-ASRVoxtral Realtime
РазработчикAlibaba QwenMistral AI
Дата выпуска29 января 2026 г.4 февраля 2026 г.
Всего параметров2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
Активные параметрыВсеВсе
АрхитектураДругоеПлотная
Контекстное окно–128K токенов
ВходАудиоАудио
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.

Qwen3-ASR · Voxtral Realtime