阿里云通义实验室推出的 Qwen-Audio-ASR-Flash-Streaming 是面向实时流式语音转写的端到端 ASR 大模型,分为 3.0 和 3.1 两个子版本,跑在百炼 Model Studio 平台,主打低延迟、高并发,支持边说边出文字,自带热词、上下文增强、方言识别、自动标点、文本归一化,嘈杂环境下抗噪能力不错,两个版本定位和计费方式不一样,3.0 按音频时长计费,3.1 改成输入输出 Token 分开计费,适合会议字幕、直播、客服、语音交互这类需要实时返回识别结果的业务,走 WebSocket 流式接口对接,不需要等整段音频上传完才返回结果。
一、两个版本定位对比表
| 模型版本 | 核心定位 | 计费方式 | 适合业务 |
|---|---|---|---|
| qwen-audio-3.0-asr-flash-streaming | 初代流式旗舰实时 ASR | 按音频秒数计费,输出不计费 | 稳定实时转写、预算简单核算的存量业务 |
| qwen-audio-3.1-asr-flash-streaming | 新版增强流式 ASR,能力升级 | 输入、输出 Token 分开计费 | 多语种、方言、中英文混说、复杂声学场景新项目 |
二、模型核心特征清单
- 流式实时输出:WebSocket 长连接,音频分片上传,边传边返回中间识别结果,实现 “边说边出字”
- 上下文增强 Context:可以带上前文内容,修正同音错字、保证长对话术语一致性
- 热词定制:支持传入行业热词表,提升专业名词、品牌、人名识别准确率
- 多语种 + 方言:支持中文、英语等多语言,国内多方言识别,中英文自由混切识别
- 自动标点 + 文本归一化:自动加标点,数字、金额、日期统一规范化输出
- 强噪声鲁棒:会议室、直播间、客服嘈杂环境,降噪和识别稳定性更好
- 可控方言输出:3.1 版本支持方言识别结果可控输出
- 单声道音频输入,只输出文本,不支持 Function Calling、微调、联网搜索、批量推理
三、核心能力明细
- 输入:实时流式单声道音频流
- 输出:增量识别文本,包含中间候选结果、句子最终结果、心跳事件
- 交互机制:run-task 启动任务、持续推音频流、finish-task 结束任务
- 结果事件:result-generated 区分中间结果和句子结束,task-finished 标记整个任务结束
- 并发:支持高并发接入,适合大量坐席、多路直播同时转写
- 限制:不支持离线部署,只能调用百炼云端 API
四、主流适用场景
- 线上会议实时字幕、会议纪要实时转写,搭配大模型做摘要
- 直播、短视频实时字幕,电商直播、知识直播弹幕字幕
- 智能客服坐席辅助,实时识别客户语音,给客服推送提示
- 语音助手、实时语音交互设备,语音实时转文字
- 远程问诊、在线教育课堂实时文字记录
- 政企、金融行业实时录音转写,配合热词识别专业术语
五、计费规则(华北 2 北京地域,原价,不含优惠)
| 模型 | 计费项 | 单价 | 免费额度 |
|---|---|---|---|
| qwen-audio-3.0-asr-flash-streaming | 音频时长 | 0.00033 元 / 秒 | 无 Token 免费额度 |
| qwen-audio-3.1-asr-flash-streaming | 输入 Token | 6 元 / 百万 Token | 开通后 90 天内 100 万 Token 免费 |
| qwen-audio-3.1-asr-flash-streaming | 输出 Token | 4.5 元 / 百万 Token | 同上 |
补充:新加坡国际地域价格更高,以控制台页面为准;限时折扣、资源包会改变实际单价,资源包抵扣优先级高于按量计费。
六、接入操作步骤
- 登录阿里云百炼 Model Studio,开通 DashScope 服务,获取 API Key
- 选择对应模型 ID,3.0 选时长计费,新项目优先 3.1 增强版
- 客户端建立 WebSocket 连接,携带鉴权信息
- 发送 run-task 指令开启转写任务,配置热词、上下文参数
- 持续推送二进制单声道音频流,持续接收增量识别文本
- 语音结束后发送 finish-task,等待最终结果,关闭连接
- 在控制台查看调用量、计费账单、错误日志,调整热词和参数
【常见问题】
问题 1:阿里云 Qwen-Audio-ASR-Flash-Streaming 是什么模型,核心定位是什么?
回答 1:阿里云 Qwen-Audio-ASR-Flash-Streaming 是通义实验室推出的云端流式实时语音识别大模型,核心定位是低延迟、高并发的边说边转写,用来做会议字幕、直播字幕、客服实时语音识别,分 3.0 和 3.1 两个版本。
问题 2:Qwen-Audio-ASR-Flash-Streaming 3.0 和 3.1 版本计费差别大吗?
回答 2:差别很大,Qwen-Audio-ASR-Flash-Streaming 3.0 按音频秒数计费,输出文字不收费;3.1 版本改成输入音频 Token、输出文本 Token 分开计费,北京地域输入 6 元 / 百万 Token、输出 4.5 元 / 百万 Token。
问题 3:Qwen-Audio-ASR-Flash-Streaming 支持方言识别和中英文混说吗?
回答 3:支持,Qwen-Audio-ASR-Flash-Streaming(3.1 版本)支持多地区中文方言识别、中英文自由切换,还支持热词、上下文增强,适合混合语言的会议、直播场景。
问题 4:Qwen-Audio-ASR-Flash-Streaming 能不能离线本地部署、支持微调吗?
回答 4:不能离线部署,Qwen-Audio-ASR-Flash-Streaming 是云端 API 模型,同时不支持模型微调、Function Calling、联网搜索、批量推理,只能通过 WebSocket 流式接口调用。
【参考资料】
[2026-11-18](百炼模型定价页:Qwen-Audio-ASR-Flash-Streaming 计费说明)阿里云帮助中心
[2026-11-16](Qwen-Audio-ASR-Streaming 服务端事件文档)阿里云帮助中心
[2026-11-11](Qwen-Audio-ASR-Streaming WebSocket API 文档)阿里云帮助中心
[2026-11-06](qwen-audio-3.1-asr-flash-streaming 模型介绍)阿里云帮助中心
[2026-11-06](qwen-audio-3.0-asr-flash-streaming 模型介绍)阿里云帮助中心
【免责声明】
本文仅为阿里云 Qwen-Audio-ASR-Flash-Streaming 模型资讯和使用说明,不构成项目选型、采购方案建议;模型能力、价格、免费额度、地域支持范围随时会调整,优惠活动、资源包、限流规则以阿里云百炼控制台和官方公告为准;识别准确率受音频质量、口音、噪声、热词配置影响,上线前建议充分压测验证。
