Qwen3-Omni-30B-A3B-Captioner：音频描述大模型

一、教程简介

Qwen3-Omni-30B-A3B-Captioner 是由阿里巴巴通义千问团队于 2025 年 9 月发布的音频描述大模型。模型无需任何提示，自动为复杂语音、环境声、音乐、影视声效等生成精准、全面的描述，能识别说话人情绪、音乐元素（如风格、乐器）、敏感信息等，适用于音频内容分析、安全审核、意图识别、音频剪辑等多个领域。相关论文成果为「Qwen3-Omini Technical Report」。

本教程采用资源为单卡 RTX A6000 。

二、项目示例

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 使用步骤

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。  注意：音频长度限制在 30 秒内。生成结果大约需要 3-5 分钟。

参数说明

• Temperature：值越小，字幕越「保守」、越确定；值越大，越随机、越有新意。
• Top-p：只从概率累加到 p 的「高分词」里挑，p 越小候选越少，文本越保守。
• Top-k：只保留概率最高的 k 个词，k 越小候选越少，文本越保守。

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓