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。
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-ASR | Voxtral Realtime |
|---|---|---|
| 开发方 | Alibaba Qwen | Mistral 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。