Qwen3-ASR: 다국어 음성 인식 모델 기능 및 라인업 총정리

개요

Qwen3-ASR은 Qwen3-Omni 기반의 음성 인식(ASR) 모델/서비스 라인으로, 다국어 인식, 스트리밍/오프라인 통합 추론, 복잡한 소음 환경 대응, 그리고 가창(노래) 음성 전사 같은 실제 서비스 지향 기능을 강조한다¹². 2025년에는 API 형태의 Qwen3-ASR-Flash가 소개되었고¹, 2026년에는 Qwen3-ASR-1.7B/0.6B 및 강제 정렬(Forced Alignment) 모델이 오픈소스로 공개되며 "모델 패밀리"로 확장되었다².

제품/모델 라인업

2025년 공개된 Qwen3-ASR-Flash는 "단일 모델로 11개 언어" 지원, 다양한 악센트/방언 대응, 컨텍스트 기반 편향(문맥 주입) 기능을 특징으로 하는 ASR API 서비스로 소개됐다¹. 또한 침묵/잡음 같은 비음성 구간을 거부하고, 언어 식별(LID)을 제공하는 점을 전면에 내세운다¹.

2026년 오픈소스 발표에서는 Qwen3-ASR-1.7B(정확도 최우선)와 Qwen3-ASR-0.6B(정확도-효율 균형) 두 모델이 공개되었고, 여기에 비자기회귀(NAR) 방식의 타임스탬프 예측기 Qwen3-ForcedAligner-0.6B가 추가됐다². 이 라인업은 "스트리밍 및 오프라인 통합", "언어 식별", "가창/배경음악 포함 노래 전사" 등을 핵심으로 한다².

지원 언어와 방언 범위

Qwen3-ASR-Flash는 중국어(표준어 + 주요 방언)와 영어(지역 악센트 포함) 및 프랑스어, 독일어, 러시아어, 이탈리아어, 스페인어, 포르투갈어, 일본어, 한국어, 아랍어 등 총 11개 언어를 지원한다고 정리되어 있다¹.

오픈소스 Qwen3-ASR 패밀리(1.7B/0.6B)는 52개 언어 및 악센트 지원을 표방하며, 중국 내 지역 방언(예: Anhui, Dongbei, Fujian 등)과 광동어(홍콩/광둥 악센트), 오어, 민난어 등 방언 커버리지를 별도로 강조한다². (문서 내 표/서술에서 "30개 언어 + 22개 중국 방언"이라는 표현도 함께 등장하므로, 실제 제공 범위는 공개 체크포인트/설정에 따라 정리해 확인하는 편이 안전하다².)

핵심 기능

Qwen3-ASR이 반복적으로 강조하는 기능은 "강인함(robustness)"과 "커스터마이즈 가능한 인식"이다. 소음이 섞인 환경에서도 인식 성능을 유지하고, 어려운 텍스트 패턴에서도 안정적으로 전사 결과를 만든다는 점이 기능 설명의 중심에 있다¹².

특히 컨텍스트 기반 편향(Contextual Biasing)은 Qwen3-ASR-Flash의 차별점으로 소개된다. 사용자는 키워드 리스트뿐 아니라 "문단/문서 전체" 같은 장문의 배경 텍스트를 전처리 없이 그대로 제공해, 특정 용어·고유명사·도메인 표현이 더 잘 맞도록 유도할 수 있다¹. 흥미로운 점은 무관하거나 다소 의미 없는 컨텍스트를 넣어도 일반 인식 성능이 크게 흔들리지 않는다고 설명한다¹.

또 다른 특징은 가창/노래 전사다. 배경 음악(BGM)이 깔린 곡도 가사를 전사하는 능력을 명시적으로 내세우며, 오픈소스 발표에서는 중국어/영어 곡 기준 WER 수치도 제시한다¹².

성능 및 효율 포지셔닝

Qwen3-ASR-Flash는 중국어/영어 및 기타 언어 벤치마크에서 경쟁 모델 대비 높은 정확도를 강조한다(도표로 비교 결과 제시)¹. 오픈소스 Qwen3-ASR-1.7B는 오픈웨이트 ASR 중 SOTA급 성능을 주장하며, 일부 평가에서는 상용 API들과도 경쟁적이라는 포지셔닝을 취한다².

효율 측면에서는 Qwen3-ASR-0.6B가 강하게 부각된다. 평균 TTFT(time-to-first-token) 92ms, 높은 동시성(예: concurrency 128)에서 대량 처리량 같은 서버 운영 지표를 제시하며, "정확도-효율 트레이드오프 최적" 모델로 설명한다². 또한 단일 입력에서 최대 20분 길이 오디오 전사를 지원한다고 언급된다².

배포/사용 방식

Qwen3-ASR은 크게 "상용 API로 호출"하는 흐름과 "오픈소스 모델을 직접 서빙"하는 흐름으로 나뉜다. Qwen3-ASR-Flash는 API 서비스로 제공되며, 긴 오디오 처리 시 API 길이 제한(예: 3분)을 우회하기 위해 VAD 기반 분할 및 병렬 호출을 수행하는 공식 툴킷이 별도로 제공된다³.

오픈소스 모델은 vLLM로도 배포할 수 있으며, 로컬에서 vllm serve Qwen/Qwen3-ASR-1.7B처럼 서버를 띄운 뒤 OpenAI 호환 API(채팅/전사 엔드포인트) 형태로 호출하는 예시가 문서로 제공된다⁴. 데모는 Hugging Face Spaces에서도 제공되어, 설치 없이 품질을 빠르게 확인할 수 있다⁵.

Qwen3-ASR-Toolkit(긴 오디오 전사 실무)

Qwen3-ASR-Toolkit은 Qwen-ASR API(문서 기준 "구 Qwen3-ASR-Flash")를 대상으로, 긴 오디오/비디오를 VAD로 자연스러운 무음 구간 중심으로 분할하고, 멀티스레딩으로 병렬 전사한 뒤, 결과를 합치는 CLI 중심 도구다³. 후처리로 반복/환각성 아티팩트를 제거하고, VAD 세그먼트 기반 SRT 자막 파일도 생성할 수 있어 "롱폼 미디어 전사 파이프라인"을 빠르게 구축하는 데 초점이 맞춰져 있다³.

실시간(스트리밍) 인식

Model Studio 문서에서는 라이브 스트리밍/온라인 회의 등에서 쓰는 실시간 음성 인식(Qwen3-ASR-Flash-Realtime)을 별도 모델로 안내한다. WebSocket 기반으로 오디오를 chunk 단위로 보내고, 중간 전사 결과 이벤트를 받는 예시를 제공하며, 컨텍스트(코퍼스) 주입으로 전문 용어 인식을 높일 수 있음을 강조한다⁶. 또한 배포 지역(싱가포르/베이징)에 따라 엔드포인트와 API 키가 분리되는 운영상의 차이를 명시한다⁶.

Forced Alignment(강제 정렬) 역할

Qwen3-ForcedAligner-0.6B는 "주어진 텍스트와 음성의 타임스탬프 정렬"을 위한 모델로, 다국어(11개 언어)에서 임의 단위의 구간 타임스탬프를 예측하는 NAR 기반 접근을 제시한다². 이는 자막 싱크, 코퍼스 구축(음성-문장 정렬), 발화 단위 데이터 전처리 같은 워크플로에 유용한 구성요소로 볼 수 있다.

참고 이미지

이미지 출처: Qwen3 ASR: Hear clearly, transcribe smartly.

참고

¹Qwen3 ASR: Hear clearly, transcribe smartly.

²Qwen3-ASR & Qwen3-ForcedAligner is Now Open Sourced: Robust, Streaming and Multilingual!

³GitHub - QwenLM/Qwen3-ASR-Toolkit

⁴Qwen3-ASR Usage Guide - vLLM Recipes

⁵Qwen3 ASR Demo - Hugging Face Space

⁶Alibaba Cloud Model Studio: Real-time speech recognition - Qwen