アリババのQwenチーム、52言語対応音声認識モデル「Qwen3-ASR」をオープンソース化

アリババのQwenチームは、実世界の雑多なオーディオ環境に最適化された生産準備完了の音声モデル「Qwen3-ASR」と「Qwen3-ForcedAligner」の2つをオープンソース化した。これらは競争力のある性能と高い頑健性を備えている。

Qwen3-ASRは52言語・方言をサポートし、30言語の自動言語識別と22の方言・アクセントに対応する。ノイズの多い複雑な環境や歌唱などのシナリオで頑健性を示し、1回の処理で最大20分間の長いオーディオセグメントを扱う。

ASR機能を補完するQwen3-ForcedAlignerは、11言語で単語・フレーズレベルの高精度アライメント時刻スタンプを提供する。従来のMFA、CTC、CIFスタイルのアライナーを上回る性能を示している。

リリースにはvLLMと統合された完全なオープンソース推論・ファインチューニングスタックが含まれており、バッチ処理、ストリーミング、非同期サービングをサポートする。注目モデルとしてQwen3-ASR-0.6BとQwen3-ForcedAligner-0.6Bが挙げられ、アーキテクチャ詳細とリアルタイムファクター（RTF）ベンチマークが公開されている。

開発者はGitHub（github.com/QwenLM/Qwen3-ASR）、Hugging Faceコレクション（huggingface.co/collections/Qwen）、ModelScope（https://modelscope.cn/collections/Qwen/Qwen3-ASR）からモデルにアクセス可能だ。インタラクティブデモはHugging Face Spaces（huggingface.co/spaces/Qwen）とModelScope Studios（modelscope.cn/studios/Qwen/Qwen3-ASR）で利用できる。

プロジェクトブログ（qwen.ai/blog）と技術論文（https://github.com/QwenLM/Qwen3-ASR/blob/main/assets/Qwen3_ASR.pdf）も参照可能である。今回のリリースにより、多言語アプリケーション向けの高性能音声処理ツールのアクセシビリティが向上した。