阿里通义实验室发布 Qwen3-ASR-Flash：支持多语种、歌声识别与上下文定制的新一代语音识别服务

阿里通义实验室近日正式推出 Qwen3-ASR-Flash，一款基于 Qwen3 大模型基座 构建的高性能语音识别（ASR）服务。该服务融合千万小时级语音数据与海量多模态训练样本，致力于在准确率、鲁棒性与定制能力上实现突破。

• 魔塔Demo：https://modelscope.cn/studios/Qwen/Qwen3-ASR-Demo
• Demo：https://huggingface.co/spaces/Qwen/Qwen3-ASR-Demo

不同于传统 ASR 系统，Qwen3-ASR-Flash 在语言理解、复杂场景适应和用户个性化需求支持方面展现出显著优势，现已支持 11 种语言 及多种方言与口音，适用于会议记录、内容创作、跨语种交流等多种场景。

核心能力一览

高精度识别，在多语种 benchmark 中表现领先

Qwen3-ASR-Flash 在多个中英文及多语种测试集上达到当前最优（SOTA）水平。无论是标准对话、专业术语密集场景，还是口语化表达，均能实现高保真转录。

支持歌声识别，清唱与带背景音乐均可识别

实测数据显示，该模型在清唱、伴奏歌曲等场景下的识别错误率低于 8%，可准确捕捉歌词内容，适用于音乐内容处理、K歌场景、影视对白提取等需求。

支持任意格式上下文提示，实现定制化识别

用户可提供任意形式的背景文本，系统将智能提取关键信息，提升命名实体、专业术语、人名地名等词汇的识别准确率。
支持输入格式包括：

• 简单关键词或热词列表
• 完整段落或技术文档
• 混合格式文本（如关键词+段落）
• 甚至无关或无意义文本（模型具备强鲁棒性，不会因此产生显著偏差）

无需预处理、无需结构化标注，真正实现“即输即用”的上下文增强体验。

多语言与方言支持，覆盖主流语种

单模型统一支持以下语言及变体：

• 中文：普通话、四川话、吴语、闽南语、粤语
• 英语：美式、英式及其他常见地区口音
• 其他语言：法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语、阿拉伯语

语种自动识别，无需手动切换，提升跨语言交互效率。

语种识别与非人声拒识

模型可自动判断音频片段是否为人声，有效过滤静音、环境噪声、音乐片段等非目标内容，减少无效输出，提升后处理效率。

强鲁棒性，应对复杂语音挑战

面对长句、重复表达、语码转换（如中英夹杂）、背景嘈杂等现实难题，模型仍能保持稳定输出，适用于真实场景下的高噪声环境。

技术背后：大模型驱动的 ASR 范式升级

Qwen3-ASR-Flash 并非传统端到端语音模型的简单迭代，而是依托 Qwen3 基座模型 的强大语言理解能力，将语音信号与上下文语义深度融合。通过千万小时语音数据与海量文本对齐训练，模型不仅“听见”声音，更能“理解”语境。

这种架构使得：

• 上下文利用更自然，无需额外 fine-tuning
• 多语言共享表征，降低模型复杂度
• 对低资源口音和边缘场景具备更强泛化能力

应用场景示例

如何使用？

开发者与企业用户可通过阿里云 API 接口接入 Qwen3-ASR-Flash，支持实时流式识别与离线批量处理。无需上传上下文数据至训练集，所有提示信息仅在推理时临时使用，保障数据隐私。

更多技术细节与接入方式，请参考官方文档或通义实验室 GitHub 页面。