Qwen3-ASR-Flash

Qwen3-ASR-Flash – 阿里通义推出的语音识别模型

核心亮点：Qwen3-ASR-Flash是一款基于通义千问3代基座模型打造的最新一代语音识别模型，具备卓越的多语种、多口音识别能力，支持歌声识别，并能通过上下文定制化输出，在复杂声学环境和文本模式下表现出高精度和高鲁棒性。

Qwen3-ASR-Flash：多语种、多口音的智能语音识别新标杆

Qwen3-ASR-Flash，作为通义千问家族的最新成员，是一款革新性的语音识别模型。它建立在强大的Qwen3基座模型之上，通过海量多模态数据和海量的ASR（自动语音识别）数据进行深度训练，确保了其在语音转写领域的领先地位。该模型不仅支持多达11种语言，更能精准识别多种口音，为全球用户提供无缝的语音交互体验。其卓越的识别精度和强大的鲁棒性，使其能够应对各种复杂的声学环境和文本模式，甚至能识别歌声，为语音应用场景带来了前所未有的可能性。

Qwen3-ASR-Flash的核心功能

卓越的多语种与多口音识别：Qwen3-ASR-Flash在语音识别方面表现出色，能够精准转录包括普通话、四川话、闽南语、吴语、粤语等多种中文方言，以及英式、美式等多种英语口音。此外，它还支持法语、德语、俄语等九种其他语言的识别，覆盖了广泛的语言需求。
创新的歌声识别技术：该模型的一大亮点是支持歌声识别，无论是清唱还是带有背景音乐的歌曲，都能实现高精度的转写，实测错误率低于8%，为音乐创作和内容分析提供了强大工具。
智能定制化识别：用户可以提供任意格式的文本上下文，例如关键词列表、段落或完整文档。Qwen3-ASR-Flash能够智能地利用这些上下文信息，精准识别并匹配命名实体及关键术语，输出高度定制化的识别结果。
精准的语种识别与非人声过滤：该模型能够精确区分不同的语音语种，并能有效过滤掉非语音片段，如静音和背景噪声，保证了识别的纯净度。
强大的环境与文本鲁棒性：面对长难句、句中语言切换、重复词语等复杂的文本模式，以及车载噪声、多种类型噪声等复杂的声学环境，Qwen3-ASR-Flash依然能保持高准确率，展现了其卓越的适应性。

Qwen3-ASR-Flash的技术基石

源自Qwen3基座模型：Qwen3-ASR-Flash的强大能力得益于其基于Qwen3基座模型构建。Qwen3基座模型本身就是一个先进的多模态预训练模型，能够处理包括文本和语音在内的多种数据类型。
海量多模态数据赋能：该模型通过对海量多模态数据的训练，使其能够深刻理解和处理文本、语音等多种模态的信息，从而提升了其整体的智能水平。
千万小时ASR数据精炼：此外，Qwen3-ASR-Flash还经过了千万小时规模的ASR数据训练。这些数据广泛覆盖了各种语言、方言和口音，极大地提升了模型在语音识别和转写方面的精准度。