共计 1568 个字符，预计需要花费 4 分钟才能阅读完成。
今天，我们正式推出通义千问系列最新的语音识别模型 Qwen3-ASR-Flash，它基于 Qwen3 基座模型，经海量多模态数据以及千万⼩时规模的 ASR（自动语音识别）数据训练构建而成。
Qwen3-ASR-Flash 实现了⾼精度⾼鲁棒性的语⾳识别性能，⽀持 11 种语⾔和多种⼝⾳。与众不同的是，Qwen3-ASR-Flash ⽀持⽤户以任意格式提供⽂本上下⽂，从⽽获得定制化的 ASR 结果，同时还⽀持歌声识别。
体验方式：
ModelScope：
https://modelscope.cn/studios/Qwen/Qwen3-ASR-Demo
HuggingFace:
https://huggingface.co/spaces/Qwen/Qwen3-ASR-Demo
阿里云百炼：
https://bailian.console.aliyun.com/?tab=doc#/doc/?type=model&url=2979031
Qwen3-ASR-Flash 的核心特性：
- 领先的识别准确率：Qwen3-ASR-Flash 在多个中英文，多语种 benchmark 测试中表现最优。
- 惊艳的歌声识别能力：支持歌唱识别, 包括清唱与带 bgm 的整歌识别，实测错误率低于 8%。
- 定制化识别：用户可以以任意格式 (如词汇表、段落或完整文档) 提供背景文本，模型能智能利用该上下文识别并匹配命名实体和其他关键术语，输出定制化的识别结果。
- 语种识别与非人声拒识：模型能精确分辨语音的语种，自动过滤非语音片段，包括静音和背景噪声。
- 鲁棒性：面对长难句、句中语言切换和重复词语等困难文本模式，以及在复杂的声学环境中，模型仍能保持高准确率。
语种支持
Qwen3-ASR-Flash 单模型支持多种语言、方言和口音的精准转录：
- 中文：包括普通话以及四川话、闽南语、吴语、粤语等主要方言。
- 英语：支持英式、美式及多种其他地区口音。
- 其他支持语言：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。
背景提示
为获得定制化的 ASR 结果，用户可提供任意格式的背景文本来获得倾向性 ASR 结果，Qwen3-ASR-Flash 无需对上下文信息进行格式预处理。
支持的格式包括但不限于：
- 简单的关键词或热词列表。
- 任意长度和来源的完整段落或整篇文档。
- 以任意格式混合的关键词列表与全文段落。
- 无关甚至无意义的文本(模型对无关上下文的负面影响具有高度鲁棒性)。
演示示例
Qwen3-ASR-Flash 单模型单次推理，除示例 2 之外未配置背景信息。
连续多种类型噪声
https://www.zhihu.com/video/1948533435233711156
电竞比赛解说
https://www.zhihu.com/video/1948533514745124437
英文说唱
https://www.zhihu.com/video/1948533587394696057
车载噪声环境方言
https://www.zhihu.com/video/1948533651013870633
多种语句间切换
https://www.zhihu.com/video/1948533695876146294
化学课程
https://www.zhihu.com/video/1948533733197054112
未来展望
Qwen3-ASR-Flash 将持续迭代升级，不断精进通用识别准确率，我们也会开发更多功能，为大家提供更智能、更好用的语音转文字服务。
