阿里通义发布语音识别模型 Qwen3-ASR-Flash

通义千问系列最新的语音识别模型 Qwen3-ASR-Flash已正式发布，它基于Qwen3基座模型，经海量多模态数据以及千万⼩时规模的ASR（自动语音识别）数据训练构建而成。

Qwen3-ASR-Flash实现了⾼精度⾼鲁棒性的语⾳识别性能，⽀持11种语⾔和多种⼝⾳。与众不同的是，Qwen3-ASR-Flash⽀持⽤户以任意格式提供⽂本上下⽂，从⽽获得定制化的 ASR 结果，同时还⽀持歌声识别。

Qwen3-ASR-Flash 单模型支持多种语言、方言和口音的精准转录：

• 中文：包括普通话以及四川话、闽南语、吴语、粤语等主要方言。

• 英语：支持英式、美式及多种其他地区口音。

• 其他支持语言：法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语和阿拉伯语。

Qwen3-ASR-Flash的核心特性：

• 领先的识别准确率：Qwen3-ASR-Flash在多个中英文，多语种benchmark测试中表现最优。

• 惊艳的歌声识别能力：支持歌唱识别,包括清唱与带bgm的整歌识别，实测错误率低于8%。

• 定制化识别：用户可以以任意格式(如词汇表、段落或完整文档)提供背景文本，模型能智能利用该上下文识别并匹配命名实体和其他关键术语，输出定制化的识别结果。

• 语种识别与非人声拒识：模型能精确分辨语音的语种，自动过滤非语音片段，包括静音和背景噪声。

• 鲁棒性：面对长难句、句中语言切换和重复词语等困难文本模式，以及在复杂的声学环境中，模型仍能保持高准确率。

体验方式：

ModelScope：https://modelscope.cn/studios/Qwen/Qwen3-ASR-Demo

HuggingFace: https://huggingface.co/spaces/Qwen/Qwen3-ASR-Demo

阿里云百炼API：https://bailian.console.aliyun.com/?tab=doc#/doc/?type=model&url=2979031