Qwen3-ASR-Flash is Alibaba's speech recognition model released on September 8, 2025 and offered through the Alibaba Cloud API. Built on Qwen3-Omni, it transcribes 11 languages and many Chinese dialects, handles singing and noisy audio, and accepts text context to bias recognition towards names and terms.
数据优先来自官方发布(GitHub、Hugging Face、论文),其次为评测基准官方结果,最后为第三方评测机构数据。 了解数据收集方法
模型基本信息
开源和体验地址
官方介绍与博客
API接口信息
表中「—」表示该模态在此方向不计费,或供应商未公开对应价格。
发布机构
模型解读
关于Qwen3-ASR-Flash模型更详细的介绍,参考DataLearnerAI的博客: 原创AI博客 大模型技术资讯 大模型评测排行 AI大模型大全 大模型对比工具 大模型评测基准 AI Agents列表 AI资源仓库 AI工具导航 Qwen3家族新成员:阿里发布自动语音识别大模型Qwen3-ASR-Flash,中英文语音识别错误率低于GPT-4o和Gemini 2.5 Pro!
2025年9月8日,Qwen 团队发布了 Qwen3-ASR-Flash,这是一款基于 Qwen3-Omni 能力以及数千万小时多模态语音识别数据训练的语音识别服务。该模型旨在提供多语言、多场景下的稳定识别能力,同时支持上下文定制和特殊语音场景的处理。
模型定位与基础能力
Qwen3-ASR-Flash 面向语音识别应用场景,覆盖实时转写、语音辅助输入、多语言交流等需求。其核心能力体现在以下几个方面:
- 多语言支持:支持 11 种语言,包括中文(普通话及四川话、闽南语、吴语、粤语等主要方言)、英语(英式、美式及其他口音)、以及法语、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。
- 多口音兼容:在方言和口音差异明显的语音中保持较高的识别准确度。
- 噪声鲁棒性:在复杂声学环境(如车内噪声、背景音乐干扰)下依旧能够完成识别。
关键功能
1. 上下文定制化识别
用户可通过输入不同格式的背景文本(关键词列表、段落文本或二者结合)对识别结果进行偏置,从而获得更贴近实际需求的转写结果。这一功能不依赖额外的预处理流程,且在提供无关甚至无意义文本时,也不会对基础识别性能造成显著影响。
2. 歌声识别
Qwen3-ASR-Flash 针对歌唱场景进行了优化,能够在有背景音乐的情况下转写歌词内容。
3. 语言识别与非语音过滤
模型具备语言自动识别功能,可准确区分 11 种支持语言。同时,它能够排除非语音片段,如环境噪音、背景声和静音段落。
4. 持续优化
作为 API 服务,Qwen3-ASR-Flash 将通过持续更新来提升整体识别准确性,并逐步扩展或优化功能模块。
应用示例
官方提供了一系列不同场景下的演示用例,涵盖噪声环境、电竞解说、英语说唱、车载语音、多语种混合对话以及专业课程内容。这些示例展示了模型在多样化输入条件下的适应能力。
总结
Qwen3-ASR-Flash 是一款面向多语言和多场景的语音识别服务。它在传统语音转写的基础上,进一步支持上下文定制化输入和特殊语音类型(如歌声)的识别,提升了在复杂环境中的适用性。作为持续更新的 API 服务,Qwen3-ASR-Flash 将伴随语音识别需求的增长而不断迭代。
DataLearner 官方微信
欢迎关注 DataLearner 官方微信,获得最新 AI 技术推送
