Qwen3-ASR-1.7B vs Whisper：中文、方言與台灣口音 ASR 怎麼選？
解析 Qwen3-ASR-1.7B 的 52 語言／方言、串流、離線與 ForcedAligner 能力，並比較 Whisper、Breeze、FireRed 和 Fun-ASR，了解如何在 Scribis 製作台灣中文字幕。
文章定位： 本文介紹 Scribis 已整合的 Qwen3-ASR-1.7B，並與 Whisper、Breeze-ASR-25、FireRedASR2-AED 和 Fun-ASR-Nano 比較。外部模型的規格與 benchmark 僅供理解與選型參考，不表示 Scribis 已整合全部比較模型。
先講結論：Qwen3-ASR-1.7B 適合當作中文多語言主力候選
Qwen3-ASR-1.7B 是 Qwen 團隊推出的開源自動語音辨識模型，主打多語言、中文方言、離線與串流轉錄。官方資料指出，Qwen3-ASR 家族支援 30 種語言與 22 種中文方言或口音，合計 52 種語言／方言，也能處理語音、歌聲與帶背景音樂的歌曲。 對需要將訪談、課程、Podcast 或影片轉成字幕的使用者來說，它的優勢不只在 WER，而在於中文語境、口音、串流和字幕時間軸可以放在同一套模型家族中考慮。
Qwen3-ASR-1.7B 已整合到 Scribis。實際使用時，讀者可以直接把音訊或影片交給 Scribis，完成轉錄、字幕時間軸、校對、翻譯與多種格式匯出；模型選擇是工作流的一部分，而不是使用者必須自行處理 CUDA、權重和推論腳本的全部工作。Scribis 也整合 Whisper、Breeze-25、SenseVoice Small、Parakeet TDT v3、Paraformer-zh、Nemotron ASR、Qwen3-ASR-0.6B、VibeVoice ASR、Voxtral Mini 3B 與 Voxtral 4B Realtime，可用來做同一份素材的 A/B test。
Qwen3-ASR-1.7B 有哪些技術特色？
Qwen3-ASR-1.7B 由 Qwen3-1.7B、投影層與約 300M 參數的 AuT 音訊編碼器組成。技術報告描述 AuT 對 Fbank 音訊特徵做下採樣，並使用動態注意力視窗處理不同長度的語音；模型可透過 qwen-asr 套件、vLLM、批次推論或 streaming pipeline 使用。
模型的上下文定位也很適合內容製作。官方模型卡列出單段語音約 20 分鐘的使用情境，而 Qwen3-ForcedAligner-0.6B 則可以對既有文字補上字、詞或句子級時間戳，最多約 300 秒、支援 11 種語言。 這代表「轉錄」與「字幕對齊」可以分開處理：先用 ASR 產生內容，再用 aligner 讓文字更準確地回到時間軸。
| 能力 | Qwen3-ASR-1.7B 的定位 | 對 Scribis 使用者的意義 |
|---|---|---|
| 語言 | 30 語言加 22 種中文方言／口音 | 適合多語內容與中文口音比較。 |
| 模式 | 離線與串流 | 可同時覆蓋影片批次轉錄和即時字幕。 |
| 時間資訊 | 搭配 ForcedAligner 輸出字／詞／句時間戳 | 有助於字幕切句、歌詞與剪輯標記。 |
| 模型規模 | 1.7B，精度優先於 0.6B | 適合較重視品質、可接受較高硬體需求的專案。 |
| 授權 | Apache-2.0 | 可研究與自建部署，但仍要檢查整體資料和服務合規。 |
和 Whisper、Breeze、FireRed、Fun-ASR 怎麼比？
Whisper Large-v3 是最常見的多語言本地 ASR 基線，生態成熟、文件多、部署工具豐富；它的優點是可預期，缺點是台灣中文、中英混用或特定領域專有名詞未必是最佳結果。ASR Leaderboard 的 English short-form 結果中，Whisper Large-v3 平均 WER 為 7.44%、RTFx 為 146；Qwen3-ASR-1.7B 則為 5.76%、RTFx 為 148。這組數字來自固定測試環境，不代表所有語言都會得到相同差距。
Breeze-ASR-25 是 MediaTek Research 基於 Whisper-large-v2 微調的 ASR，特別強化繁體中文、中英 code-switching 與時間戳對齊。 如果內容有台灣中文或句內中英混用，Breeze 是非常合理的近身比較對象。Breeze 的優勢是台灣使用情境清楚；Qwen3-ASR-1.7B 的優勢則是語言與方言覆蓋更廣。
FireRedASR2-AED 針對普通話、中文方言／口音、英文、code-switching 和歌聲轉錄，官方在 4 個普通話 benchmark 報告平均 CER 3.05%，在 19 個方言／口音 benchmark 報告平均 CER 11.67%。同一份官方表格中，Qwen3-ASR 的平均 CER 為 3.76% 與 11.85%。這是 FireRed 官方報告，必須標示為 vendor-reported，不能當成完全獨立的總排名。
Fun-ASR-Nano-2512 是 800M 級的中文與多語 ASR，主打中文方言、英文、日文與產業語音；Fun-ASR-MLT-Nano-2512 則擴展到 31 語言。 如果硬體有限、希望用較小模型批次處理大量檔案，Fun-ASR-Nano 或 Qwen3-ASR-0.6B 可能比 1.7B 更適合。
| 模型 | 主要強項 | 和 Qwen3-ASR-1.7B 的差異 |
|---|---|---|
| Whisper Large-v3 | 成熟生態、多語言、本地部署 | 泛用基線強，但不特別針對台灣中文與中文方言。 |
| Breeze-ASR-25 | 台灣中文、中英混用、字幕對齊 | 語言範圍較聚焦，適合台灣本地素材 A/B test。 |
| FireRedASR2-AED | 中文方言、歌聲、ASR pipeline | 中文專項能力強，但 benchmark 多為官方表格。 |
| Fun-ASR-Nano | 中文方言、產業語音、較小模型 | 資源較省，1.7B 版本則有較大的多語言餘裕。 |
| Qwen3-ASR-1.7B | 52 語言／方言、串流、離線、對齊家族 | 更適合多語和中文方言並重的工作流。 |
Benchmark 怎麼看才不會誤判？
Qwen 官方公開評測中，Qwen3-ASR-1.7B 在 Common Voice 台灣中文的 WER 為 3.77%、FLEURS 粵語為 3.98%、KeSpeech 中文方言為 5.10%；這些數字對台灣中文內容創作者有參考價值，但屬於 Qwen 官方 benchmark。 第三方 ASR Leaderboard 則在 English short-form 評測中給 Qwen3-ASR-1.7B 5.76% WER、148 RTFx，並在 multilingual track 報告 5.11% 平均 WER。
WER 越低通常越好，RTFx 越高通常越快，但英文 WER、中文 CER、台灣中文資料集、背景噪音和長音訊不應混在一起排名。真正要在 Scribis 中選模型，建議準備一組包含台灣口音、專有名詞、多人交談和中英混用的素材，觀察的不只是轉錄字數，也包括字幕切句、時間軸、說話者與人工校對時間。
在 Scribis 中怎麼使用這個比較？
最實用的流程是先把同一段素材匯入 Scribis，分別使用 Qwen3-ASR-1.7B、Whisper、Breeze 或其他已整合模型產生逐字稿，再比較錯字、專有名詞、中文英文切換和字幕節奏。對長訪談，應記錄完整處理時間與人工校對時間；對即時場景，則要記錄第一段 partial transcript 的延遲和後續修正。
若內容以台灣中文為主，Breeze-25、Qwen3-ASR-1.7B、FireRedASR2-AED 和 SenseVoice Small 都值得實測；若同時有日文、英文或多語內容，Qwen3-ASR-1.7B 的 52 語言／方言定位會更有吸引力。當你不想自行管理模型環境時，Scribis 的價值就在於把轉錄結果直接接到字幕時間軸、翻譯、編輯與匯出。
常見問題
Qwen3-ASR-1.7B 適合台灣口音嗎？
它的官方語言與 benchmark 包含 Common Voice 台灣中文等資料，具備值得測試的台灣中文定位；不過「台灣口音」涵蓋說話速度、年齡、錄音品質與地區差異，正式專案仍應以自己的資料驗證。Scribis 已整合 Qwen3-ASR-1.7B，可直接和 Breeze-25、Whisper 等模型比較。
Qwen3-ASR-1.7B 比 Whisper 一定準嗎？
不一定。第三方 English short-form benchmark 顯示 Qwen3-ASR-1.7B 在該設定的平均 WER 低於 Whisper Large-v3，但不同語言、資料集和長度可能出現不同結果。最可靠的方法是用同一批內容在 Scribis 中實測。
Qwen3-ASR-1.7B 需要 GPU 嗎？
本地推論通常需要依模型量化、batch 和服務吞吐配置 GPU；Scribis 使用者不一定要自行處理部署細節，但仍要依桌面版與專案版本確認硬體需求。若資源有限，可以把 Qwen3-ASR-0.6B、SenseVoice 或 Parakeet 一起列入測試。
結論：Qwen3-ASR-1.7B 是 Scribis 使用者值得先測的中文多語模型
如果你的工作同時涉及中文、台灣口音、中英混用、字幕時間軸和多語影片，Qwen3-ASR-1.7B 是值得優先測試的 Scribis 已整合模型。Whisper 提供成熟基線，Breeze 更聚焦台灣中文，FireRed 與 Fun-ASR 對中文方言和產業資料各有強項；沒有任何一個 benchmark 可以取代真實素材測試。
圖：第三方 ASR Leaderboard English short-form snapshot；不代表中文或台灣口音總排名。
CTA： 想把錄音或影片快速整理成可編輯逐字稿與字幕，可以從 Scribis.app 的影音轉錄工作流開始，再用同一批素材比較不同 ASR 模型。