阿里发布 Qwen-Audio-3.0-ASR-Flash：医疗术语识别率超 95%，错字率仅 1.7%

阿里巴巴今天发布了最新的语音识别大模型 Qwen-Audio-3.0-ASR-Flash。

如果说以前的语音识别是“听清你在说什么”，那么这一代的目标就是“听懂你在说什么”，尤其是那些晦涩难懂的专业词汇。

• Qwen-Audio-3.0-ASR-Flash：https://help.aliyun.com/zh/model-studio/non-real-time-speech-recognition-for-fun-asr-flash
• Qwen-Audio-3.0-ASR-Flash-Filetrans：https://help.aliyun.com/zh/model-studio/fun-asr-recorded-speech-recognition-http-api
• Qwen-Audio-3.0-ASR-Flash-Streaming：https://help.aliyun.com/zh/model-studio/fun-asr-realtime-websocket-api

专攻“听不懂”的痛点

通用语音识别模型在处理日常对话时表现不错，但一旦遇到医疗、编程、金融等领域的专业术语，往往容易“翻车”。

Qwen-Audio-3.0-ASR-Flash 针对这个问题做了系统性优化：

1. 行业词库增强：研究团队从医疗、IT 编程、股票、社会名人等领域挖掘了大量专业词汇和冷门词，建立了高质量词库。
2. 上下文一致性：模型能更好地理解前后文逻辑，避免因为同音异义词导致的误识。
3. 热词定制化：支持用户自定义高频词汇，进一步提升特定场景下的准确率。

官方数据显示，在内部评测中，该模型在医疗场景下的专业词“听中率”突破了 95.36%。而在权威评测平台 Artificial Analysis 上，它以 1.7% 的极低错字率拿下了全球第一。

不止于转写：润色与结构化

除了听得准，它还能帮你“整理好”。

模型具备语音润色能力，可以直接去除口语中的废话、重复和语气词，并输出结构化文本。这意味着，你扔进去一段杂乱的会议录音，拿出来的可能就是一篇条理清晰的纪要草稿。

三个版本，按需选择

目前，Qwen-Audio-3.0-ASR 系列已通过阿里云百炼平台开放调用，分为三个版本：

• Qwen-Audio-3.0-ASR-Flash：主打快速响应，支持最长 5 分钟的语音识别，适合短音频处理。
• Qwen-Audio-3.0-ASR-Filetrans：面向离线文件转写，适合处理长录音、课程录像等大批量任务。
• Qwen-Audio-3.0-ASR-Streaming：支持实时语音识别，适用于直播字幕、实时翻译等低延迟场景。