Qwen2-Audio-7B-Instruct: диалог о записи

Официальная карточка Qwen2-Audio-7B-Instruct описывает два режима. В voice chat пользователь даёт аудио без обязательной текстовой подсказки; в audio analysis к записи добавляется текстовая инструкция о том, что именно анализировать. Оба режима показаны для этого Instruct checkpoint и возвращают текст, поэтому слово voice не надо путать с созданием озвучки. Для практической проверки можно взять разрешённый короткий фрагмент с известным содержанием и задать один конкретный вопрос, например о названной сумме. Затем сравнить ответ с ручной расшифровкой и отдельно отметить случаи, когда модель домыслила неразборчивое слово. Другой тест может спросить о характере звука, но его критерий успеха уже не совпадает с пословной транскрипцией.

Ответ «о чём говорят» и точный протокол — разные продукты. Модель может верно уловить тему, но ошибиться в фамилии, времени или отрицании, что критично для деловой записи. Для русского аудио нужны отдельные тесты на диктовке, многоголосом разговоре, шумной среде и разной частоте дискретизации. Карточка показывает технический путь через процессор и подготовку аудиомассива, а не проверенный пользовательский сервис по загрузке файлов. Qwen2-Audio-7B Base — другой репозиторий, предназначенный как предобученная основа; результаты Chat-настройки нельзя записывать на него. Qwen2.5-Omni поддерживает другой набор входов и выходов, поэтому её возможности по речи не следует переносить на этот audio-to-text checkpoint.

HF показывает для Qwen2-Audio-7B-Instruct метку apache-2.0; полный лицензионный файл и сопутствующие уведомления нужно проверить перед продуктовым использованием. Открытый checkpoint позволяет построить локальное испытание, но требует совместимых библиотек, аппаратных ресурсов и поддержки аудиоформатов. Наличие примера не подтверждает официальный публичный API точного ID или его стоимость. При обработке реальной встречи важнее модели может оказаться правовое основание для использования голосов и безопасный путь хранения файлов. Архивная запись не обещает доступ из России, качество русской расшифровки или числовой AA-балл. Она фиксирует, какие входы и выходы действительно описывает разработчик, и даёт основание не выдавать работу со звуком за генерацию голоса.