阿里云百炼上新 Qwen-Audio-ASR-Flash-Filetrans 文件转写语音大模型,它属于非实时、面向整段音频文件的端到端 ASR 模型,分 3.0 和 3.1 两个版本,主打长音频离线转写,支持多语种、国内多方言识别,自带热词增强、说话人分离、标点自动加、文本规整能力,嘈杂环境下识别稳定性不错,适合企业批量处理会议录音、客服通话、短视频音轨、金融双录这类文件,和流式实时 ASR 不是一类产品,不能用来做直播间、通话实时字幕。这个模型单独做成文件转写版本,核心原因是长音频文件和实时流的优化方向不一样,实时模型看重低延迟,文件转写模型优先保证识别准确率、上下文连贯性、方言和行业术语识别,3.1 版本在说话人区分、方言可控输出上比 3.0 版本更强,3.0 版本是按音频时长计费,更适合成本敏感的批量字幕、质检场景,3.1 版本按 Token 计费,适合对转写精度、说话人分离要求更高的业务。接入和使用这套模型的完整流程可以分成这几步,第一步登录阿里云百炼控制台,开通 Qwen-Audio-ASR-Flash-Filetrans 模型调用权限;第二步确认选用 3.0 还是 3.1 版本,确认计费方式、地域支持范围;第三步上传本地音频文件或者传入音频资源地址,配置热词库、是否开启说话人分离;第四步发起异步转写请求,等待服务端处理;第五步拿到转写结果,做二次校对、导出字幕或者接入质检系统;第六步定期查看调用账单,结合业务量调整版本选型。整体来看,Qwen-Audio-ASR-Flash-Filetrans 是通义 Audio 系列里专门给文件批量转写打造的分支,不支持 Function Calling、微调、联网搜索这类大语言模型能力,只做语音转文字,选型的时候要区分清楚实时流式 ASR 和这个 Filetrans 文件转写版本,避免选错模型。
一、两个版本核心信息清单
- 模型名称:Qwen-Audio-3.0-ASR-Flash-Filetrans
- 模型名称:Qwen-Audio-3.1-ASR-Flash-Filetrans
- 共性:输入音频、输出纯文本,非实时异步转写,不支持模型微调、工具调用、联网搜索
- 部署地域:华北 2(北京)、新加坡,国际区域价格有上浮
定位:基础文件转写版,面向短视频字幕、客服质检、金融双录
计费方式:按音频时长计费,0.00022 元 / 秒
定位:高精度增强版,会议转写、通话分析、长音频归档
计费方式:按 Token 计费,输入 0.8 元 / 百万 Token,输出 2.7 元 / 百万 Token
二、版本能力对比表
| 对比项 | Qwen-Audio-3.0-ASR-Flash-Filetrans | Qwen-Audio-3.1-ASR-Flash-Filetrans |
|---|---|---|
| 核心优势 | 单价低、按秒计费,适合大批量低成本转写 | 支持说话人分离、方言可控输出、噪声鲁棒性更强 |
| 热词增强 | 支持 | 支持,上下文增强效果更好 |
| 说话人区分 | 不支持 | 支持 |
| 标点 & 文本规范化 | 基础支持 | 优化更强 |
| 适合音频 | 短视频、客服录音、制式双录文件 | 长时间会议、访谈、多人大段录音 |
三、适用场景清单
✅ 推荐场景
- 企业内部会议录音转写,会后纪要归档
- 短视频、纪录片批量生成字幕
- 客服通话录音质检、话术分析
- 金融行业双录音频存档转写
- 访谈、播客、课程录音文本提取
- 直播间、电话通话实时字幕(需要选 Flash 流式实时版本)
- 需要语音翻译 + 转写一体化的强 AST 需求
- 需要模型微调、自定义训练专属行业模型
❌ 不适合场景
四、调用关键限制说明
- 属于异步文件转写,不是低延迟流式接口,提交任务后需要轮询获取结果
- 不支持 Function Calling、结构化 JSON 输出、联网搜索、模型微调
- 方言识别效果会受录音清晰度、口音轻重影响,复杂口音建议搭配热词库
- 账单区分国内地域和国际地域,新加坡、海外调用单价更高
【常见问题】
问题 1:阿里云 Qwen-Audio-ASR-Flash-Filetrans 模型定位是什么,它是实时语音识别吗?
回答 1:阿里云 Qwen-Audio-ASR-Flash-Filetrans 是面向整段音频的非实时文件转写 ASR 模型,不是实时流式识别,主打长音频异步转写,适合录音文件、音视频素材批量转文字。
问题 2:阿里云 Qwen-Audio-ASR-Flash-Filetrans 有 3.0 和 3.1 两个版本,计费方式有什么区别?
回答 2:阿里云 Qwen-Audio-ASR-Flash-Filetrans 的 3.0 版本按音频时长计费,0.00022 元 / 秒;3.1 版本按 Token 计费,输入 0.8 元 / 百万 Token,输出 2.7 元 / 百万 Token。
问题 3:阿里云 Qwen-Audio-ASR-Flash-Filetrans 支持说话人分离吗,哪个版本更适合会议转写?
回答 3:阿里云 Qwen-Audio-ASR-Flash-Filetrans 只有 3.1 版本支持说话人分离,噪声和方言识别能力更强,长时间多人会议转写优先选 3.1 版本。
【参考资料】
[2026-11-06](qwen-audio-3.1-asr-flash-filetrans 模型信息)阿里云帮助中心
[2026-11-06](qwen-audio-3.0-asr-flash-filetrans 模型信息)阿里云帮助中心
[2026-11-06](阿里云百炼 Qwen-Audio 系列模型定价说明)阿里云帮助中心
[2026-11-06](通义 Audio ASR 文件转写与流式版本选型指南)阿里云开发者文档
【免责声明】
本文仅整理阿里云 Qwen-Audio-ASR-Flash-Filetrans 公开模型文档信息,计费为原价,限时优惠、地域价差、免费额度以百炼控制台实时页面为准;识别效果受录音信噪比、口音、音频编码影响,不构成语音转写项目选型、开发落地的唯一方案。
