Qwen3-ASR-Flash – 阿里通义录音文件识别模型

产品简介

阿里通义千问团队在2025年9月9日正式推出了Qwen3-ASR-Flash语音识别模型。这款基于Qwen3基座模型的新一代ASR系统，经过数千万小时规模的语音数据训练，在多语言支持、噪声过滤和歌声识别等方面展现出显著优势。
与传统语音识别系统不同，Qwen3-ASR-Flash引入了创新的“上下文引导识别”机制，允许用户提供任意格式的背景文本来优化识别结果，大幅提升了专业术语和命名实体的识别准确率。

模型优势

• 多语种高精度识别：支持多语言高精度语音识别。
• 复杂环境适应：具备应对复杂声学环境的能力，支持自动语种检测与智能非人声过滤。
• 高精度歌唱识别：即使在伴随背景音乐（BGM）的情况下，也能实现整首歌曲的准确转写。
• 上下文增强：通过配置上下文提高识别准确率。参见上下文增强。

功能特性

1. 接入方式：Java/Python SDK，HTTP API
2. 多语言：中文、英文、日语、德语、韩语、俄语、法语、葡萄牙语、阿拉伯语、意大利语、西班牙语
3. 上下文增强：通过请求参数text配置Context实现定制化识别
4. 语种识别：将请求参数enable_lid设置为true可在识别结果中查看语种信息
5. 指定待识别语种：若已知音频的语种，可通过请求参数language指定待识别语种，以提升识别准确率
6. 歌唱识别
7. 噪声拒识
8. ITN（Inverse Text Normalization，逆文本规范化：将请求参数enable_itn设置为true即可开启，该功能仅适用于中文和英文音频
9. 标点符号预测
10. 音频输入方式
    • 本地音频：传入本地音频文件绝对路径
    • 在线音频：将音频文件上传至可公网访问的存储位置，并提供对应的URL
11. 待识别音频格式：aac、amr、avi、aiff、flac、flv、m4a、mkv、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv
12. 待识别音频声道：单声道
13. 待识别音频采样率：16kHz
14. 待识别音频大小：音频文件大小不超过10MB，且时长不超过3分钟

API接入参考

### HTTP API

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header 'Authorization: Bearer $DASHSCOPE_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3-asr-flash",
    "input": {
        "messages": [
            {
                "content": [
                    {
                        "text": ""
                    }
                ],
                "role": "system"
            },
            {
                "content": [
                    {
                        "audio": "https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3"
                    }
                ],
                "role": "user"
            }
        ]
    },
    "parameters": {
        "asr_options": {
            "enable_lid": true,
            "enable_itn": false
        }
    }
}'

上下文增强

Qwen3-ASR支持通过提供上下文（Context），对特定领域的专有词汇（如人名、地名、产品术语）进行识别优化，显著提升转写准确率。此功能远比传统的热词方案更灵活、强大。

• 长度限制：Context内容不超过 10000 Token。
• 用法：调用API时，通过System Message的text参数传入文本即可。

支持的文本类型：包括（但不限于）

• 热词列表（多种分隔符格式，如热词 1、热词 2、热词 3、热词 4）
• 任意格式与长度的文本段落或篇章
• 混合内容：词表与段落的任意组合
• 无关或无意义文本（包括乱码，对无关文本的容错性极高，几乎不会受到负面影响）

示例

某段音频正确识别结果应该为“投行圈内部的那些黑话，你了解哪些？首先，外资九大投行，Bulge Bracket，BB …”。

• 不使用上下文增强

  未使用上下文增强时，部分投行公司名称识别有误，例如 “Bird Rock” 正确应为 “Bulge Bracket”。
  识别结果：“投行圈内部的那些黑话，你了解哪些？首先，外资九大投行，Bird Rock，BB …”

• 使用上下文增强

  使用上下文增强，对投行公司名称识别正确。
  识别结果：“投行圈内部的那些黑话，你了解哪些？首先，外资九大投行，Bulge Bracket，BB …”

体验地址

• huggingface demo地址： 立即体验
• 魔搭社区 demo地址 ： 立即体验
• API地址： 立即查看