Qwen3-ASR：阿里基于 Qwen3-Omni 构建的全新语音识别模型，实现更强大的语音识别性能

AIGC • 2025年9月11日上午10:30 • 技术文章

阿里云 Qwen 团队推出了Qwen3-ASR Flash，这是一种一体化自动语音识别 (ASR) 模型（可作为API 服务提供），建立在 Qwen3-Omni 的强大智能之上，可简化多语言、嘈杂和特定领域的转录，而无需处理多个系统。

多语言识别：支持 11 种语言的自动检测和转录，包括英语和中文，以及阿拉伯语、德语、西班牙语、法语、意大利语、日语、韩语、葡萄牙语、俄语和简体中文 (zh)。这种广度使 Qwen3-ASR 能够在全球范围内使用，无需单独开发模型。
上下文注入机制：用户可以将任意文本（例如姓名、特定领域术语，甚至是无意义的字符串）粘贴到偏差转录中。这在富含习语、专有名词或不断发展的术语的场景中尤其有效。
强大的音频处理能力：在嘈杂环境、低质量录音、远场输入（例如远距离麦克风）以及歌曲或说唱等多媒体人声中均能保持出色性能。报告词错误率 (WER) 保持在 8% 以下，对于如此多样化的输入，这在技术上令人印象深刻。
单模型简单性：消除了维护不同语言或音频上下文模型的复杂性——一个模型通过 API 服务来统治它们。

用例涵盖教育科技平台（讲座捕捉、多语言辅导）、媒体（字幕、画外音）和客户服务（多语言 IVR 或支持转录）。

语言检测 + 转录
自动语言检测功能可让模型在转录前确定语言——这对于混合语言环境或被动音频采集至关重要。这减少了手动选择语言的需求，并提高了可用性。
上下文标记注入：
将文本粘贴为“上下文”会使识别偏向预期词汇。从技术上讲，这可以通过前缀调整或前缀注入来实现——在输入流中嵌入上下文以影响解码。这是一种灵活的方法，无需重新训练模型即可适应特定领域的词汇。
复杂场景下 WER < 8%
Qwen3-ASR 在音乐、说唱、背景噪音和低保真音频中保持低于 8% 的 WER，使其在开放式识别系统中处于领先地位。相比之下，在清晰语音上，稳健模型的目标 WER 为 3-5%，但在嘈杂或音乐环境中，性能通常会显著下降。
多语言覆盖：
支持 11 种语言，包括表意汉语以及阿拉伯语和日语等音系结构各异的语言，这表明我们拥有丰富的多语言训练数据和跨语言建模能力。处理声调语言（普通话）和非声调语言并非易事。
单模型架构
，操作优雅：只需部署一个模型即可完成所有任务。这减轻了运维负担，无需动态切换或选择模型。所有功能均在统一的 ASR 流水线中运行，并内置语言检测功能。