Qwen3-ASR-Flash

Model Overview

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。

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。

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。

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。

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。

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。

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。