千问Qwen3-ASR语音识别模型开源

as22

1月30日消息，日前，千问宣布正式开源Qwen3-ASR系列模型。

据介绍，Qwen3-ASR是由Qwen开发的一系列功能强大的语音识别模型，包括两个强大且全面的语音识别模型Qwen3-ASR-1.7B与Qwen3-ASR-0.6B，以及一个创新的语音强制对齐模型Qwen3-ForcedAligner-0.6B。Qwen3-ASR系列的语音识别模型支持52个语种与方言的语种识别与语音识别。

依托创新的预训练AuT语音编码器与Qwen3-Omni基座模型的强大多模态能力，Qwen3-ASR实现了精准与稳定的语音识别，其1.7B模型在中文、英文、中文口音与歌唱识别等场景下达到SOTA，具有复杂文本识别能力以及强噪声下的稳定性。

另外，0.6B模型在性能与效率上实现了均衡，在保证语音识别准确率的情况下，128并发异步服务推理能够达到2000倍吞吐，即10秒钟处理五个小时以上的音频。

强制对齐模型Qwen3-ForcedAligner-0.6B是提出的基于NAR LLM推理的时间戳预测模型，支持11个语种的任意位置的灵活精准的强制对齐，其时间戳预测精度超越传统的WhisperX，Nemo-Forced-Aligner等模型，单并发推理RTF达到了高效的0.0089。

千问团队称，希望Qwen3-ASR系列模型的开源能够推动语音识别与理解的研究与发展，三个模型的结构与权重、以及一个全面易用的推理框架将一并开源。