Qwen-Audio: базовые веса для понимания записи

Официальная карточка Qwen-Audio описывает входы с речью, музыкой и звуками среды и текстовый выход. Разработчик различает предобученную модель и Qwen-Audio-Chat, настроенную на диалог. Для архивной Base полезно исследовать, как одна основа представляет разные звуковые задания, но её нельзя выставлять кнопкой «сделать протокол встречи». Дословное распознавание слов, вопрос о смысле реплики и классификация фонового шума требуют разных эталонов. Для проверки подготовьте три коротких разрешённых записи: диктовку с ручной расшифровкой, разговор с заранее известными фактами и бытовой звук с несколькими возможными интерпретациями. Считать только красивый ответ нельзя: отдельно фиксируются ошибки имён и чисел, пропущенные события и выдуманные причины. Результаты по английскому примеру из card нельзя переносить на русскую запись с акцентом или фоновым шумом. Эти тесты здесь предложены, но ещё не выполнены.

Qwen/Qwen-Audio служит базовым аудиоязыковым checkpoint. Qwen/Qwen-Audio-Chat опубликован отдельно для многоходового ответа на аудио и текстовые вопросы. Это различие влияет на ожидаемый промпт, тестовый сценарий и редакционное место модели. Если пользователь просит объяснить, какие решения прозвучали на совещании, ему нужен интерфейс, способный принять запись и дать диалоговый ответ; открытый Base сам по себе такого сервиса не предоставляет. Если исследователь сравнивает две версии, нужно фиксировать один и тот же аудиофрагмент, формат, частоту дискретизации, текстовый запрос и версию весов. Иначе расхождение может быть вызвано обработкой файла, а не Chat-настройкой. Ни одна из двух моделей не является TTS: они возвращают текст, а не создают новую голосовую дорожку. Поэтому маршрут «озвучка текста» и сравнение стоимости синтеза речи к ним не относятся.

На HF у Qwen-Audio есть официальный репозиторий и инструкция локального запуска, включая зависимость от FFmpeg. Это возможность построить собственный процесс, но не доказательство существования сегодняшнего публичного API этого Base ID. В card отсутствует короткое поле License, зато текст указывает на LICENSE официального Qwen-Audio: соглашение прямо охватывает Base и Chat и содержит условия использования материалов. Его нельзя заменять Apache-2.0 другого поколения. При испытании реальных звонков важно получить право на обработку записи и решить, передаются ли файлы внешнему хосту; открытые веса позволяют рассмотреть локальное размещение, но требуют ресурсов и поддержки. Цена такого размещения не равна нулю, а внешний тариф и доступ из России пока не проверены. Архивная запись должна вести к весам и объяснять ограничения, а не обещать расшифровку любого длинного русского разговора.