阿里通义千问推出Qwen-Audio-3.0-ASR-Flash,长音频转写与行业术语识别同步升级
阿里通义千问于7月31日发布语音识别大模型Qwen-Audio-3.0-ASR-Flash,宣称在长音频上下文记忆、行业词库、热词定制、语音润色和多语种覆盖五个方面作出更新,并已在阿里云百炼平台开放调用;同期推出的实时版本Qwen-Audio-3.0-ASR-Streaming面向实时转写场景。
海宇数科 · 事件日期 · 更新于 · 约 2 分钟 · 1 次阅读

阿里通义千问于7月31日发布语音识别大模型Qwen-Audio-3.0-ASR-Flash,主打长音频转写少丢词、行业术语免人工配置,并已在阿里云百炼平台开放调用。该模型从五个方面对语音识别能力作出更新,同步推出的实时版本Qwen-Audio-3.0-ASR-Streaming则面向实时字幕等场景。
新模型在五大维度实现升级:
其一为长音频上下文记忆。模型在转写过程中可参考前文语义,使数小时会议中反复出现的人名、技术概念在不同片段间保持一致,减少跨片段信息脱节的情况。
其二为内置多行业词库。按照发布信息,模型在医疗场景的专业词召回率为95.36%,IT编程场景为91.87%,用户无需人工配置即可识别较冷门的术语。
其三为分级热词定制。企业专属词汇可即时生效,多数场景召回率超过99%,并称热词数量增加不会带来明显误触发。
其四为集成语音润色。模型可在转写环节一并去除口头禅、清理重复内容、处理自我纠正和进行语义重组,输出结果的可读性接近先转写、再用大模型润色的两步方案。
其五为多语种覆盖。一套模型支持30余种语言,发布信息称七语种平均语义错误率为17.09%,优于Azure、Gemini等同业模型,可适配跨国会议和出海客服等场景。
