阿里发布Qwen-Audio-3.0-ASR-Flash语音识别模型

智通财经APP获悉，7月31日，阿里巴巴(09988)正式发布新一代语音识别大模型Qwen-Audio-3.0-ASR-Flash。据介绍，该模型主要在上下文一致性、行业词识别和热词定制化三个维度做了系统性的优化，同时具备语音润色能力，可直接输出结构化文本。

目前，Qwen-Audio-ASR-Flash系列已经在会议纪要整理、实时字幕、教育录播、智能客服等场景里得到广泛验证，曾在全球权威AI评测平台Artificial Analysis上，以1.7%的错字率拿下全球第一。对语音识别来说，能否准确识别专业词汇，往往是其真正在行业里用起来的关键。

Qwen-Audio-3.0-ASR现已通过阿里云百炼平台开放调用，提供三个版本：Qwen-Audio-3.0-ASR-Flash（语音识别，最长5分钟）、Qwen-Audio-3.0-ASR-Filetrans（离线文件转写）和Qwen-Audio-3.0-ASR-Streaming（实时语音识别）。

上下文不“断片”

在会议、访谈、课程、直播这类长音频里，很多专业术语、英文词汇等，光靠当下这几秒的声音其实判断不准——同一个发音可能对应十几个同音词，模型必须记得前面说过什么，才能在这一段里识别准确。

Qwen-Audio-3.0-ASR-Flash新增了这项能力：在转写当前这段语音时，它能参考近期已经识别出的内容，顺着同一话题里的关键词和语义往下听，从而减少同音词误判，把术语、中英文混说这些容易出错的地方听得更准。哪怕是一场好几个小时的会议录音，同一位发言人的名字、同一个技术概念，也不会因为跨了好几段就被忘掉或认错。更方便的是，这些“记忆”直接来自音频本身，会随对话自动更新。

听得准行业词

“记得住上下文”解决了“说过的词不再认错”的问题；但还有很多专业词，整场对话里可能只出现一次，模型得在“从没见过”的情况下也能一次就听对。传统做法通常靠人工维护词表，费时费力；Qwen-Audio-3.0-ASR-Flash把这件事变成了模型自身的能力，不用人一个个去配，也能在真实业务里越用越准。

具体来说，研究团队持续从医疗、IT编程、股票、社会名人等领域里挖掘专业词汇，建成了覆盖多行业的高质量词库，加强模型对专业术语和冷门词的识别。在最新的行业词汇内部评测中，新模型对各行业专业词的"听中率"都有明显提升，其中医疗场景更是突破了95.36%。

热词加多也不乱

行业词库覆盖的是通用场景，但每家企业还有自己的专属叫法。让模型认得这些词，是语音识别落地企业的刚需。传统做法长期有个两难：热词加得越多，误触发也越多，识别结果反而被带偏了。

Qwen-Audio-3.0-ASR-Flash全新升级即时热词定制能力——在传入热词的情况下，热词“听中率”在所有测试集都达到90%以上，多数场景更是突破99%，不再是“提了这项、掉了那项”。对用户来说，这意味着你可以随时把最新的品牌名、人名、术语配成专属热词，实时融进识别里，不用等模型更新，就能精准命中业务里的每一个关键词。

边识别边润色

口语里的“那个”“嗯”这类口头禅会被直接去掉；说话时的自我纠正，比如“我们下周三评审，不对，是周四”，只保留最后的意思；结结巴巴的重复、零散的口述，也会被整理成简洁、书面的表达。这些活都由ASR模型在识别环节一步做完，不用再叫一个下游的文本大模型来帮忙。

在评测中，它去口头禅、去重复后的可读性和忠实度，和“先识别 + 再用Qwen3.6-Plus润色”的两步走方案基本打平（比如所有子集的可读性平均分从没润色时的2.55提升到3.43，优秀可读率从30.75%提升到59.27%）。

一套模型听懂30种语言

如今越来越多企业走向海外，语音识别要面对的早就不只是中文和英文了：跨境客服要回应不同国家和地区的咨询，国际会议上经常几种语言来回说，海外的音视频内容也在不断增多。相比资料丰富的主流语言，小语种普遍有个难题——训练素材少、口音差异大、口语表达也更随意，往往是最容易听错的环节。

Qwen-Audio-3.0-ASR-Flash把多语种识别能力都集成在同一套模型里：从中文、日语、韩语，到泰语、越南语、印尼语、马来语等东南亚语言，再到印地语、阿拉伯语，以及英语、法语、德语、西班牙语、葡萄牙语、俄语等欧洲主流语言，都能直接识别，不用针对不同市场频繁换模型。

用的时候，只要告诉模型这场会议可能涉及哪几种语言，它就会自动开启“多语言混合识别”——以中文、英文、日语为主语言，自由搭配其他小语种，轻松应对“中文+英文+日语”“英文+印尼语”这类跨国会议、多语客服的场景。在七个语种的评测中，它的平均语义错误率仅17.09%，优于Azure、ElevenLabs Scribe v2、Gemini 3.0 Flash以及上一代模型。

低延迟场景也听得准

Qwen-Audio-3.0-ASR-Streaming——面向客服通话、会议实时转写、直播字幕这类对速度要求很高的场景，在保证“几乎不卡顿”地实时出字的同时，把复杂工业场景下的识别准确率也一起拉了上来。

它在保持理论出字延迟300毫秒的同时，进一步提升了复杂工业场景下的识别准确率：中文工业场景的平均错字率仅7.8%，明显领先同类；英文工业场景为11.52%，同样优于其他模型。

从记住上下文，到听准行业词、自由定制热词，再到一步输出干净文字，Qwen-Audio-3.0-ASR-Flash想做的就是在复杂的对话里持续听准、在专业的领域里精准听对、在最终输出时润色到位。目前它已在阿里云百炼平台开放调用，也期待看到大家在会议、教育、客服、出海等真实场景里把它用起来。