酷应用

Qwen3-ASR – 阿里通义开源的系列语音识别模型

动态来源：AI工具集 2026-02-03 11:21:54

Qwen3-ASR是什么

Qwen3-ASR 是阿里云通义千问团队开源的系列语音识别模型，包含 1.7B 高精度版、0.6B 高效版两个 ASR 模型，以及专用的 Qwen3-ForcedAligner-0.6B 强制对齐模型。模型支持 52 个语种与方言识别、流式与非流式一体化推理，在强噪声、快语速、歌唱等复杂场景下表现鲁棒。其1.7B 模型在中英文及方言识别上达开源 SOTA，0.6B 模型支持 128 并发 2000 倍吞吐，10 秒可处理 5 小时音频。

Qwen3-ASR的主要功能

多语种识别：支持 30 个主要语种的语音识别与语种识别，实现多语言统一建模。
方言覆盖：支持 22 种中文方言识别，覆盖粤语、吴语、闽南语及各省地方口音。
口音适配：适配 16 个国家/地区的英文口音差异，提升跨地域识别能力。
双模推理：支持流式与非流式一体化推理，最长可一次性处理 20 分钟音频。
场景鲁棒：具备复杂场景鲁棒性，应对强噪声、低音质、快语速、老人儿童语音等挑战。
歌唱转写：支持带背景音乐的歌唱识别，可转写整首中英文歌曲。
时间戳对齐：提供词级/句级时间戳对齐功能，满足字幕生成与音频编辑需求。

Qwen3-ASR的技术原理

语音编码层：采用创新的预训练 AuT 语音编码器提取高层声学表征，替代传统 Fbank 特征，增强对噪声和口音的泛化能力。
多模态基座：基于 Qwen3-Omni 多模态大模型构建，用其跨模态理解能力实现语音到文本的直接映射，无需传统 HMM/GMM 流水线。
训练范式：通过大规模多语种预训练建立通用声学语义空间，再针对方言、歌唱、噪声等场景进行细粒度微调，联合优化语种识别与语音识别任务。
高效推理：0.6B 模型采用 vLLM 加速引擎，支持批量推理与异步服务，128 并发下实现 2000 倍吞吐；流式版本采用分块缓存机制，平衡实时性与准确率。
强制对齐：ForcedAligner 基于非自回归 LLM 架构，通过并行解码预测时间戳，单并发 RTF 达 0.0089，精度超越传统 CTC 与 WhisperX 方案。