Команда Alibaba Cloud выпустила Qwen3-ASR-Toolkit — открытый инструмент для транскрипции аудио- и видеофайлов любой длительности. Решение построено на базе модели Qwen3-ASR (ранее Qwen3-ASR-Flash) и устраняет ключевую проблему большинства API для распознавания речи — ограничение по длительности файла.

Чем Qwen3-ASR-Toolkit отличается от конкурентов

Техническая основа

Qwen3-ASR-Toolkit использует мультимодальную архитектуру Qwen3-Omni, обученную на десятках миллионов часов аудиоданных. Модель поддерживает 11 языков: английский, китайский, русский, японский и другие, эффективно работает с различными акцентами и автоматически фильтрует фоновый шум.

По результатам бенчмарков на Common Voice и LibriSpeech, модель превосходит по точности Gemini 2.5 Pro и другие популярные решения для распознавания речи.

Решение проблемы длительности

API версия Qwen3-ASR имеет жёсткое ограничение — 3 минуты на запрос. Для часовых подкастов или длинных лекций это критично. Toolkit обходит лимит через интеллектуальное разделение:

1. Voice Activity Detection (VAD) находит естественные паузы в речи

2. Файл разбивается на сегменты без обрезки слов посередине предложений

3. Сегменты обрабатываются параллельно (по умолчанию 4 потока, до 8+)

4. Результаты склеиваются в единый текст

Универсальность форматов

Поддерживаются все популярные форматы через FFmpeg:

• Видео: MP4, MOV, MKV

• Аудио: MP3, WAV, M4A

Инструмент автоматически приводит звук к требуемому формату 16 кГц моно, независимо от исходной частоты дискретизации или количества каналов.

Установка и настройка

Требования

• Python 3.8+

• FFmpeg (для обработки медиафайлов)

• API-ключ DashScope от Alibaba Cloud

Установка FFmpeg

# Ubuntu/Debian
sudo apt update && sudo apt install ffmpeg

# macOS (с Homebrew)
brew install ffmpeg

# Windows: скачать с https://ffmpeg.org/download.html

Установка Qwen3-ASR-Toolkit

# Установка из PyPI
pip install qwen3-asr-toolkit

# Или из исходников
git clone https://github.com/QwenLM/Qwen3-ASR-Toolkit.git
cd Qwen3-ASR-Toolkit
pip install .

Получение API-ключа

1. Зарегистрируйтесь в DashScope Console

2. Создайте API-ключ

3. Установите переменную окружения:

# Linux/macOS
export DASHSCOPE_API_KEY=your_key_here

# Windows
set DASHSCOPE_API_KEY=your_key_here

Использование

Базовый пример

# Простая транскрипция
qwen3-asr -i "/path/to/lecture.mp4"

# С указанием ключа в команде
qwen3-asr -i "/path/to/podcast.wav" -key "your_api_key"

Оптимизация производительности

# Увеличение количества потоков до 8
qwen3-asr -i "/path/to/meeting.m4a" -j 8

# Подробный вывод для отладки
qwen3-asr -i "/path/to/conference.mp3" -v

# Комбинирование параметров
qwen3-asr -i "/path/to/longfile.wav" -j 8 -v

Программное использование

from qwen3_asr_toolkit import transcribe_file

result = transcribe_file(
    input_path="/path/to/audio.mp3",
    api_key="your_key",
    num_threads=4,
    verbose=True
)
print(result)

Технические детали

Архитектура обработки

1. Извлечение аудио: FFmpeg конвертирует входной файл

2. Ресэмплинг: приведение к 16 кГц моно через ffmpeg -i input -ar 16000 -ac 1 output.wav

3. VAD-сегментация: определение пауз длиннее 0.5-1 сек для разбивки

4. Параллельная обработка: concurrent.futures.ThreadPoolExecutor с настраиваемым количеством потоков

5. Склеивание результатов: формирование финального текста с таймстампами

Производительность

На тестовом оборудовании (Core i7, 16 ГБ RAM):

• 30-минутный MP3: 2-3 минуты обработки при 4 потоках

• Точность на русском языке: ~95% (зависит от качества записи)

• Поддержка акцентов: от московского до региональных диалектов

Ограничения

• Требует интернет-соединения (облачное API)

• Нет кэширования результатов

• Зависит от квот DashScope (бесплатные лимиты проверяйте в консоли)

Практические сценарии применения

Для журналистов и исследователей

• Транскрипция интервью и пресс-конференций

• Обработка архивных записей

• Создание субтитров для видеоматериалов

Для разработчиков

• Интеграция в системы автоматизации

• Создание голосовых ботов и ассистентов

• Обработка пользовательского контента

Для образования

• Транскрипция лекций и семинаров

• Создание текстовых версий учебных материалов

• Поддержка людей с нарушениями слуха

Альтернативы и сравнение

*Бесплатно в рамках квот DashScope

Заключение

Qwen3-ASR-Toolkit демонстрирует подход Alibaba к демократизации ИИ-технологий через открытые инструменты. Для русскоязычных пользователей это особенно ценно — модель качественно обрабатывает речь с различными акцентами и не требует дополнительного обучения.

Инструмент идеально подходит для задач, где нужна быстрая и точная транскрипция без ограничений по длительности. Единственное требование — стабильное интернет-соединение для обращений к API.

Репозиторий проекта

*Результаты могут варьироваться в зависимости от условий записи и акцента спикеров.