Qwen3-ASR

מה זה

אתם מעלים קובץ קול או מקליטים ישר מהמיקרופון, ובוחרים שפה מתוך הרשימה או משאירים על זיהוי אוטומטי. בצד השני מקבלים את השפה שזוהתה, את הטקסט המלא וקובץ נתוני זמנים. יש גם כפתור ויזואליזציה שמאפשר ללחוץ על מילה בודדת כדי להאזין בדיוק לקטע השמע שלה.

מאחורי הקלעים רץ שילוב של שני מודלים ייעודיים. הראשון הוא מודל שמע בגודל 1.7 מיליארד פרמטרים שאחראי על התמלול עצמו, והשני הוא מודל יישור בגודל 0.6 מיליארד פרמטרים שמתאים את הזמנים. המערכת מבוססת על מנוע הרצה מהיר שנועד לתת תוצאות בזמן קצר.

מתאים ל

• תמלול הקלטות קצרות

  מעלים קובץ שמע ומקבלים במהירות טקסט נקי בשפות נתמכות כמו אנגלית או ערבית.

• סנכרון זמנים לכתוביות

  מחלצים זמנים ברמת מילה כדי לסנכרן טקסט לשמע עבור סרטונים או כתוביות.

• אימות טעויות תמלול

  לוחצים על מילה בודדת בממשק הוויזואלי ומאזינים ישירות לשנייה המדויקת שבה נאמרה.

איפה זה נופל

ההדגמה מפרטת רשימת שפות שכוללת אנגלית, ערבית ושפות אירופיות ואסיאתיות, אבל עברית לא מוזכרת בתיעוד כך שלא כדאי לבנות עליה בלי לבדוק קודם. בנוסף, חלוקת הזמנים ברמת מילה עובדת באנגלית וברמת תו בסינית, כך שבשפות אחרות ההתנהגות עשויה להיות שונה. זהו כלי הדגמה להקלטות קצרות ולא מערכת שמתאימה להזרמת קבצים של שעות שלמות.

איך משתמשים

גוררים קובץ שמע או מקליטים, מסמנים אם רוצים חותמות זמן ולוחצים על כפתור התמלול. ההדגמה פועלת על מעבד גרפי מדגם A10G שמוקצה לפי דרישה דרך הממשק. הריצה עצמה מהירה יחסית בזכות מאיצי החישוב, אבל אם המעבד נרדם תצטרכו להמתין כמה שניות לטעינה הראשונית שלו.

הרישיון

הקוד והמודלים מפורסמים תחת רישיון אפאצ'י 2.0 המאפשר שימוש חופשי, כולל שימוש מסחרי והתאמה אישית. עם זאת, כל קובץ שמע שאתם מעלים או מקליטים נשלח לעיבוד בשרתי הדפדפן של האתר המארח, ולכן לא מומלץ להעלות לשם שיחות רגישות.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗