Qwen Alibaba Cloud: Qwen3-ASR-1.7B

Name: Qwen3-ASR-1.7B
Author: Qwen Alibaba Cloud

qwen/qwen3-asr-1-7b

提供中 stt 1プロバイダー

Playground

Qwen's 1.7B open-weight multilingual speech recognition model, transcribing pre-recorded audio with word and segment timestamps and optional speaker diarization, and also streaming over an OpenAI-Realtime-shaped WebSocket.

作成者Qwen Alibaba Cloud

言語18言語

バリアントモデル3個のID

ステータス提供中

クイックスタート

Qwen3-ASR-1.7B

APIキーを作成する

AllModelsに登録してAPIキーを作成し、ALLMODELS_API_KEYとして設定します。

APIキーを作成

リクエストを送る

SDK、リクエストモード、言語を選びます。モデルとプロバイダールートは入力済みです。

ElevenLabs SDKでのストリーミングSTT

マイクまたはファイルの音声を、ElevenLabs互換のAllModelsルート経由でストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const connection = await client.speechToText.realtime.connect({
  modelId: "qwen/qwen3-asr-1-7b",
  languageCode: "en"
}, {
  queryParams: {
    provider: {
      "only": [
        "sprag"
      ]
    }
  }
});

// Send audio frames to connection, then handle transcript events.

プロバイダーパラメーターを渡す

ルートを特定のプロバイダーに固定したい場合は、互換SDKのリクエストオプションでproviderの設定を渡します。

{
  queryParams: {
    provider: {
      only: ["sprag"]
    }
  }
}

バリアントモデル

同じ正規モデルファミリーに対して、作成者やプロバイダーが受け付けるネイティブのモデルIDです。

Qwen3-ASR-1.7B Default

Open-weight checkpoint id published by the Qwen team, which hosting providers rename (Sprag serves it as `rhythm`).

Qwen3-ASR-1.7B

Qwen3-ASR-1.7B (transformers build) Variant

Hugging Face transformers-compatible build of the same weights.

Qwen3-ASR-1.7B-hf

Rhythm (Sprag) Alias

Sprag's product id for this checkpoint, and the only value its transcriptions endpoint accepts for `model`.

rhythm

プロバイダー

同じモデルを複数のプロバイダーがホストしている場合があります。バックエンドを固定したい場合は1つのプロバイダーを選び、そうでなければルーティングに選択を任せられます。

プロバイダーSlug1時間あたりレイテンシiモード稼働率

Sprag AI 14個のパラメーター

sprag

$0.075

—

同期 · ストリーミング

Sprag AI

このルートには14個のプロバイダーパラメーターが記載されています。

料金

モード言語1時間あたり

Transcription すべて $0.075

パラメーター

file body · string · 必須

Audio to transcribe. Containers: aiff, aac, wav, flac, m4a, webm, mp3, ogg.

model body · string · 必須

1個の列挙値

値

rhythm

frequency_penalty body · number | null · 任意

最小 -2最大 2

language body · string | null · 任意

ISO-639 tag, not a language name. ENUM ADDED FROM A LIVE PROBE 2026-09-05: Sprag's own spec leaves this a free string and the model card claims 30 languages plus 22 Chinese dialects, but the API rejects th, hi, pl, cs, fil, el, hu, ro, fa, da, fi, sv, mk and sw with HTTP 400, code `unsupported_language`, and a message enumerating exactly these 18. Thirteen of those rejected codes (all but `sw`, which Sprag never documented) are ones the model card claims. Omit the field to have the language detected.

19個の列挙値

値

enzhkojaderuitfresptmsnlidtrviyuearur

num_speakers body · integer | null · 任意

Hints the speaker count to the diarizer. Ignored without speaker_labels.

presence_penalty body · number | null · 任意

最小 -2最大 2

prompt body · string | null · 任意

Context prompt. Accepted (200, probe-verified); effect unmeasured.

repetition_penalty body · number | null · 任意

最小 0最大 2

response_format body · string | null · 任意

デフォルト "json"6個の列挙値

値

jsonverbose_jsontextsrtvtt

speaker_labels body · boolean · 任意

Adds a 0-indexed integer `speaker` to each attributed word. Requires response_format=verbose_json (400 otherwise) and `word` in any granularity list sent.

デフォルト false

temperature body · number | null · 任意

最小 0最大 2

timestamp_granularities[] body · array | null · 任意

Optional. A verbose response carries both arrays without it; a list that omits `word` silently drops the words array and still returns 200.

top_k body · integer | null · 任意

最小 0

top_p body · number | null · 任意

最小 0最大 1

対応言語

18言語

English en

Chinese zh

Yue Chinese (Cantonese) yue

Japanese ja

Korean ko

German de

French fr

Spanish es

Portuguese pt

Italian it

Russian ru

Dutch nl

Arabic ar

Turkish tr

Indonesian id

Malay (macrolanguage) ms

Vietnamese vi

Urdu ur

機能

Speech to text

Transcribes pre-recorded audio through an OpenAI /v1/audio/transcriptions shape on the seeded host.

speech_to_text

Realtime streaming transcription

OpenAI-Realtime-shaped WebSocket carrying base64 PCM16 audio inside JSON text frames and returning incremental transcription deltas.

streaming

Word timestamps

response_format=verbose_json returns words[] with float start and end seconds plus segments[], neither of which the realtime path carries.

word_timestamps

Speaker diarization

speaker_labels=true adds a per-request 0-indexed integer speaker to each attributed word, and requires response_format=verbose_json.

diarization

Caption output formats

response_format accepts json, verbose_json, text, srt and vtt.

caption_formats

Context prompt

A `prompt` form field is accepted for recognition context.

context_prompt

コード

ElevenLabs SDKでのストリーミングSTT

マイクまたはファイルの音声を、ElevenLabs互換のAllModelsルート経由でストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const connection = await client.speechToText.realtime.connect({
  modelId: "qwen/qwen3-asr-1-7b",
  languageCode: "en"
}, {
  queryParams: {
    provider: {
      "only": [
        "sprag"
      ]
    }
  }
});

// Send audio frames to connection, then handle transcript events.