阿里云 Qwen-Audio-3.1-ASR 是通义千问系列新一代生成式语音识别模型家族,在 Qwen-Audio-3.0-ASR 基础上升级,拆分成 4 个不同定向优化的 Flash 子版本,分别适配长音频文件转写、实时流式识别、语音消息交互、短音频精品转写,统一支持 30 门语种 + 16 种中文方言,自带分角色转写、热词增强、自动标点、文本归一和可选润色能力,企业可以根据自己是做会议录播、直播字幕、客服通话、输入法语音输入,选对应的子模型,不用一套模型硬扛全部场景,同时在阿里云百炼平台按 Token 计费,不同版本价差明显。整套模型家族底层思路是把 ASR 做成生成式音频理解模型,不只是简单把声音转文字,还能区分说话人、打上时间戳、处理重叠语音,部分版本还支持方言可控输出,你可以选择输出方言原文或者自动翻译成普通话文本,在嘈杂远场、多人混聊、中英文频繁切换的环境里稳定性提升很多,还专门针对古诗词、文言这类特色语音内容做优化。四个子版本分工很清晰,filetrans 主打长音频批量文件转写;streaming 主打低延迟实时字幕;message 面向输入法、语音消息;flash 标准版面向短音频精品转写。所有版本都支持热词配置和上下文记忆,适合企业把专有名词、行业术语导入进去,减少识别错字。
Qwen-Audio-3.1-ASR 各子版本对照表
| 版本名称 | 定位 | 核心优势 | 适合场景 | 原价(元 / 百万 Token)输入|输出 |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash-filetrans | 长音频离线文件转写 | 说话人分离、抗噪强、长音频稳定 | 会议录音、通话质检、播客、课程转录 | 6|4.5 |
| qwen-audio-3.1-asr-flash-streaming | 流式实时识别 | 端到端低延迟、边说边出字 | 直播字幕、线上会议实时转写、智能交互 | 6|4.5 |
| qwen-audio-3.1-asr-flash-message | 语音消息 / 输入法 | 远场多人、东南亚语种加强、流式上屏 | APP 语音输入、IM 语音消息、海外客服 | 6|4.5 |
| qwen-audio-3.1-asr-flash | 短音频精品转写 | 文言诗词优化、转写润色、方言可控输出 | 短视频旁白、有声片段、文化内容审核 | 0.8|2.7 |
Qwen-Audio-3.1-ASR 核心特征清单
- 多版本拆分:按实时 / 离线、长音频 / 短音频做产品拆分,企业按需选型,控制成本。
- 语种方言:30 种语言、16 个中文方言,东南亚语种(日语、泰语、印尼语、越南语等)专项优化。
- 生成式转写:自带标点预测、文本归一化、可选 AI 润色,输出文本整洁,减少后期人工校对。
- 说话人分轨:支持 diarization,区分不同发言人,附带时间戳,支持重叠语音识别。
- 热词与上下文增强:支持 P0/P1 两级热词,带上文信息识别,行业专有名词识别准确率更高。
- 方言可控输出:方言可以保留原句,也可以自动转成普通话,适配不同业务需求。
典型适用场景
✅ 企业会议:录音文件事后转写(filetrans)或者开会实时字幕(streaming),自动区分发言人
✅ 内容生产:短视频、播客、有声书、课程音频批量字幕和文稿整理
✅ 客服质检:通话录音批量转写,用来做关键词检索、情绪与话术审计
✅ C 端语音交互:输入法语音输入、APP 语音消息转文字(message 版本)
✅ 跨境业务:东南亚多语种客服、海外直播字幕
✅ 文化内容:古诗词、朗诵音频精品转写,文言内容识别优化(flash 标准版)
【常见问题】
问题 1:阿里云 Qwen-Audio-3.1-ASR 大模型,一共分出几个子版本,各自定位是什么?
回答 1:阿里云 Qwen-Audio-3.1-ASR 大模型一共 4 个 Flash 子版本,filetrans 长音频文件转写、streaming 实时流式识别、message 语音消息输入法、flash 标准版短音频精品转写。
问题 2:阿里云 Qwen-Audio-3.1-ASR 大模型,支持多少语种和方言?
回答 2:阿里云 Qwen-Audio-3.1-ASR 大模型支持 30 门语种、16 种中文方言,对日语、泰语、印尼语等东南亚语种做了重点优化。
问题 3:阿里云 Qwen-Audio-3.1-ASR 大模型,价格最便宜的是哪个版本?
回答 3:阿里云 Qwen-Audio-3.1-ASR 大模型里 flash 标准版价格最低,输入 0.8 元 / 百万 Token,输出 2.7 元 / 百万 Token,主打短音频精品转写。
问题 4:阿里云 Qwen-Audio-3.1-ASR 大模型能不能自动区分说话人?
回答 4:阿里云 Qwen-Audio-3.1-ASR 大模型的 filetrans 等版本支持说话人分离分角色转写,输出带说话人标签与时间戳,还能识别重叠语音。
【参考资料】
[2026-11-06](qwen-audio-3.1-asr-flash-streaming 模型信息)阿里云帮助中心
[2026-11-06](qwen-audio-3.1-asr-flash-message 模型信息)阿里云帮助中心
[2026-11-06](qwen-audio-3.1-asr-flash-filetrans 模型信息)阿里云帮助中心
[2026-10-10](qwen-audio-3.1-asr-flash 模型信息)阿里云帮助中心
【免责声明】
本文围绕阿里云 Qwen-Audio-3.1-ASR 大模型的定位、特征、能力、场景、价格整理,计费为百炼平台公开原价,限时优惠、地域节点定价会有差异;识别效果受录音音质、背景噪声、口音影响,模型能力、版本迭代、计费规则后续可能调整;本文仅为技术资讯介绍,不构成 API 采购、方案选型建议。
