千问大模型发布Qwen-Audio-3.0-ASR-Flash语音识别大模型

as22

7月31日消息，千问大模型宣布正式发布语音识别大模型Qwen-Audio-3.0-ASR-Flash。简单来说，就是让AI更好地听懂专业词汇。

据悉，这次主要在上下文一致性、行业词识别和热词定制化三个维度做了系统性的优化，同时让模型具备语音润色能力，可直接输出结构化文本。

目前，Qwen-Audio-ASR-Flash系列已经在会议纪要整理、实时字幕、教育录播、智能客服等场景里得到广泛验证，曾在全球权威AI评测平台Artificial Analysis上，以1.7%的错字率拿下全球第一。

Qwen-Audio-3.0-ASR——现已通过阿里云百炼平台开放调用，提供三个版本：

Qwen-Audio-3.0-ASR-Flash：语音识别，最长 5 分钟

Qwen-Audio-3.0-ASR-Filetrans：离线文件转写

Qwen-Audio-3.0-ASR-Streaming：实时语音识别

据介绍，Qwen-Audio-3.0-ASR-Flash新增了上下文不“断片”能力，在帮助用户转写当前语音时，它能参考近期已经识别出的内容，顺着同一话题里的关键词和语义往下听，从而减少同音词误判，把术语、中英文混说这些容易出错的地方听得更准。



该模型还增加了“听得准行业词”的能力，具体来说，研究团队持续从医疗、IT编程、股票、社会名人等领域里挖掘专业词汇，建成了覆盖多行业的高质量词库，加强模型对专业术语和冷门词的识别。在最新的行业词汇内部评测中，新模型对各行业专业词的"听中率"都有明显提升，其中医疗场景更是突破了95.36%。


同时，Qwen-Audio-3.0-ASR-Flash全新升级即时热词定制能力——在传入热词的情况下，热词“听中率”在所有测试集都达到90%以上，多数场景更是突破99%，不再是“提了这项、掉了那项”。



另外还能边识别边润色，在识别环节完成润色，直接输出去掉口头禅、条理清晰的书面文本。口语里的“那个”“嗯”这类口头禅会被直接去掉；说话时的自我纠正，比如“我们下周三评审，不对，是周四”，只保留最后的意思；结结巴巴的重复、零散的口述，也会被整理成简洁、书面的表达。

Qwen-Audio-3.0-ASR-Flash还能听懂多种语言，从中文、日语、韩语，到泰语、越南语、印尼语、马来语等东南亚语言，再到印地语、阿拉伯语，以及英语、法语、德语、西班牙语、葡萄牙语、俄语等欧洲主流语言，都能直接识别，不用针对不同市场频繁换模型。

此外，Qwen-Audio-3.0-ASR-Streaming——面向客服通话、会议实时转写、直播字幕这类对速度要求很高的场景，在保证“几乎不卡顿”地实时出字的同时，把复杂工业场景下的识别准确率也一起拉了上来。



体验地址如下：

Qwen-Audio-3.0-ASR-Flash：

https://help.aliyun.com/zh/model ... n-for-fun-asr-flash

Qwen-Audio-3.0-ASR-Flash-Filetrans：

https://help.aliyun.com/zh/model ... ecognition-http-api

Qwen-Audio-3.0-ASR-Flash-Streaming：

https://help.aliyun.com/zh/model ... ltime-websocket-api