Qwen3-ASR 与 Voxtral Realtime 对比:该选哪个流式语音转文字模型?

Qwen3-ASR 覆盖 30 种语言和 22 种中文方言,带时间戳;Voxtral Realtime 是单个 4B 模型,延迟可设 80 毫秒到 2.4 秒。对比语言和延迟。

  • 更新于

结论. 两者都是支持流式输出的 Apache 2.0 语音转文字模型,所以要按语言和部署方式来选。Qwen3-ASR 有 1.7B 和 0.6B 两种规格,覆盖 30 种语言和 22 种中文方言,能转写歌声,并带有可输出逐词时间戳的强制对齐器。Voxtral Mini Realtime 是单个 4B 模型,支持 13 种语言,延迟可在 80 毫秒到 2.4 秒之间设定:Mistral 的表格显示,160 毫秒时平均错误率为 12.60%,480 毫秒时为 8.72%。两个模型卡都没有介绍说话人标签,两家开发者的准确率说法也都是自己公布的。

规格

规格 Qwen3-ASRVoxtral Realtime
开发方Alibaba QwenMistral AI
发布时间2026年1月29日2026年2月4日
总参数量2.35B (1.7B)4.43B (Voxtral Mini 4B Realtime)
激活参数量全部全部
架构其他稠密
上下文窗口–128K token
输入音频音频
许可证 Apache 2.0 (宽松) Apache 2.0 (宽松)
最小版本所需内存(4 位)2.12 GB (ForcedAligner 0.6B (timestamps))10 GB (Voxtral Mini 4B Realtime)

性能数据来自开发方,未经独立验证。

选 Qwen3-ASR 的情况

  • 你的音频是中文,包含地方方言或歌声。
  • 你需要为字幕提供逐词或逐字的时间戳。
  • 你想用小而快的 0.6B 模型做大批量处理。
  • 你需要 Voxtral 那 13 种语言之外的语言。

选 Voxtral Realtime 的情况

  • 你需要实时字幕或语音助手,并想自己设定延迟。
  • 你想用一个 4B 的 Apache 2.0 模型做私有或端侧部署。
  • 那 13 种常用语言已经满足你的需求。
  • 你可以按模型卡的推荐,用 vLLM 加 websocket 做流式输出。

Qwen3-ASR · Voxtral Realtime