Skip to main content

阿里云发布Qwen-Audio-3.0-ASR-Flash：让语音识别告别“听不懂”

7月31日，阿里云通义千问正式发布了新一代语音识别大模型Qwen-Audio-3.0-ASR-Flash，并已在阿里云百炼平台上线。这款模型号称“长音频不漏字、行业术语不用教”，直击专业场景中语音识别的两大痛点。

五大升级，解决专业场景痛点

长音频记忆，告别“碎片化”

以往识别长音频时，模型往往“记性不好”，前后文容易脱节，导致人名、技术名词前后不一致。Qwen-Audio-3.0-ASR-Flash引入了长音频上下文记忆能力，能够参考前文信息，在长达数小时的会议中保持关键信息的连贯性，彻底解决了“碎片化”问题。

内置行业词典，生僻术语也能懂

医疗、IT等专业领域的术语，对通用语音识别模型来说常常是“拦路虎”。该模型内置了行业专属词典，对医学术语的召回率达到95.36%，对IT编程术语的召回率也有91.87%。这意味着，即使不手动配置，也能准确识别那些晦涩难懂的专业词汇。

热词定制，即改即用

对于企业特有的词汇，用户可以通过分层热词定制功能，让新词立即生效。在大多数场景下，热词召回率超过99%，而且不会因为热词增多而误触发。

语音润色，一步到位

识别结果常常带有“嗯”“啊”等口头禅，或者重复、自我修正的语句。该模型集成了语音润色功能，可以自动去除口头禅、清理重复、处理自我修正，并进行语义重组，输出内容的质量接近“ASR+大模型润色”两步流程的效果。

多语言支持，国际会议无忧

模型支持超过30种语言，在七种语言上的平均语义错误率仅为17.09%，优于Azure、Gemini等业界模型，非常适合国际会议和海外客服场景。

流式版本，实时场景更给力

同步推出的Qwen-Audio-3.0-ASR-Streaming专为实时场景设计，理论字符输出延迟仅300毫秒，中文工业场景字符错误率7.80%，英文11.52%，均处于行业领先水平。该系列此前在Artificial Analysis评测中以1.7%的错误率位居全球第一，目前已广泛应用于会议纪要、实时字幕、教育录音、智能客服等领域。

关键要点

  • 长音频记忆：支持数小时会议，保持上下文一致。
  • 行业词典：医疗、IT术语召回率超90%。
  • 热词定制：即改即用，召回率超99%。
  • 语音润色：自动去除口头禅，优化表达。
  • 多语言支持：30+语言，国际场景适用。
  • 流式版本：延迟300毫秒，适合实时应用。