据千问大模型消息，阿里云正式发布语音识别大模型Qwen-Audio-3.0-ASR-Flash，该模型在上下文一致性、行业词识别和热词定制化三个维度实现系统性优化，并具备语音润色能力，可直接输出结构化书面文本。此前，该系列模型曾在全球权威AI评测平台Artificial Analysis上以1.7%的错字率拿下全球第一。
长音频上下文连贯识别
针对会议、访谈等长音频场景，新模型新增上下文记忆能力。在转写当前语音时，它能参考近期已识别内容，顺着同一话题的关键词和语义进行判断，有效减少同音词误判，确保跨片段的专业术语、中英文混说等识别保持连贯，不再遗漏或认错。
行业词识别无需逐一配置
模型将各行业专业词汇内化为自身识别能力，无需人工维护词表。研究团队从医疗、IT编程、股票等领域持续挖掘专业词汇，构建高质量词库。在内部评测中，新模型对各行业专业词的“听中率”均有明显提升，其中医疗场景突破95.36%。
分级热词机制避免误触发
针对企业专属词汇需求，新模型升级即时热词定制能力，采用分级热词机制。在传入热词的情况下，所有测试集的热词“听中率”均达到90%以上，多数场景突破99%，实现了加词多而不乱，精准命中业务关键词。
识别与润色一步完成
模型可在识别环节直接完成语音润色，自动去除“那个”“嗯”等口头禅，清理口吃与重复，处理自我纠正，并进行语义重组，输出条理清晰的书面文本。评测显示，该能力与“先识别、再用大模型润色”的两步走方案效果基本持平，优秀可读率从30.75%提升至59.27%。
一套模型听懂30种语言
模型将多语种识别能力集成于一体，覆盖中文、日语、韩语、泰语、越南语、印尼语、马来语、印地语、阿拉伯语以及英、法、德、西、葡、俄等欧洲主流语言。用户只需告知会议可能涉及的语言，模型即可自动开启多语言混合识别。在七个语种的评测中，其平均语义错误率仅17.09%，优于Azure、ElevenLabs Scribe v2等模型。
低延迟实时识别
同步推出的Qwen-Audio-3.0-ASR-Streaming版本面向客服通话、实时字幕等场景，在保持理论出字延迟300毫秒的同时，中文工业场景平均错字率仅7.8%，英文工业场景为11.52%，均领先同类模型。
目前，Qwen-Audio-3.0-ASR系列已通过阿里云百炼平台开放调用，提供最长5分钟语音识别、离线文件转写和实时语音识别三个版本。
原文：Qwen-Audio-3.0-ASR-Flash：长音频不丢词，行业词不用教（来源：千问大模型）
