阿里云 Qwen-Audio-3.1-ASR 是千问音频系列新一代生成式语音识别模型家族,不是单一模型,分出 Flash、Filetrans、Streaming、Message 多个子版本,分别适配长文件转写、实时流式、语音消息、输入法等不同业务,它在老版本基础上强化多语种、方言识别、分角色转写、转写自动润色,还支持热词、上下文增强,相比传统 ASR,它输出的文本通顺度更高,不用后期大量人工修正,统一在阿里云百炼平台调用,计费改成 Token 模式,不同子版本时延、单价、并发能力差别很大,企业可以根据自己场景选对应版本,不用一刀切。这套模型一共支持 30 门语言、16 种中文方言,还专门优化古诗词、文言内容识别,噪声环境下识别稳定性提升,同时支持方言输出原文或者转成普通话,是面向开发者、企业服务、内容生产、智能硬件的一套语音转写底座。
模型家族与定位清单
- Qwen-Audio-3.1-ASR-Flash:通用短音频识别,高质量文化内容、短句转写
- Qwen-Audio-3.1-ASR-Flash-Filetrans:长音频文件转写,会议录音、通话录音、播客归档
- Qwen-Audio-3.1-ASR-Flash-Streaming:低延迟流式识别,实时字幕、直播、会议实时上屏
- Qwen-Audio-3.1-ASR-Flash-Message:语音消息、输入法、客服短语音,远场噪声场景优化
核心功能特征
- 多语种 + 方言识别:覆盖 30 种语言、16 种中文方言,支持方言原文输出或者翻译成普通话
- 原生转写润色:自动去掉语气词、重复口误,理顺语句,不用二次人工整理
- 分角色说话人分离:多人对话场景,标记说话人、时间戳,适合会议、客服通话
- 热词 + 上下文增强:支持 P0/P1 优先级热词,结合上文内容提升专业术语识别准确率
- 标点预测、文本归一化:自动补标点、数字、时间、地址标准化
- 噪声鲁棒:对背景杂音、远场收音、多人重叠说话做了优化
版本价格对比表(华北 2 北京原价)
| 模型版本 | 输入单价 | 输出单价 | 适合场景 |
|---|---|---|---|
| Flash / Filetrans | 0.8 元 / 百万 Token | 2.7 元 / 百万 Token | 长文件、录音归档、批量转写,性价比最高 |
| Streaming / Message | 6 元 / 百万 Token | 4.5 元 / 百万 Token | 实时字幕、语音消息、输入法,低延迟优先 |
备注:新加坡地域价格更高,平台有免费试用额度,优惠活动以百炼控制台实时页面为准,按音频转 Token 统计,不再是老版本按秒计费
典型应用场景
- 会议转写:线上线下会议录音归档、纪要自动生成,分角色区分发言人
- 直播 & 短视频字幕:Streaming 版本低延迟实时字幕,直播、网课、短视频自动上字幕
- 客服工单:通话录音转写,识别订单号、姓名地址,自动生成工单摘要
- 输入法语音输入、APP 语音消息:Message 版本,适合社交软件、移动端语音输入
- 内容生产:播客、有声素材、采访录音批量转文字,内容二次加工
- 出海多语种业务:东南亚语种(泰语、印尼语、越南语、马来语等)识别
- 方言政务、养老服务:方言自动转普通话,方便录入工单
上手落地步骤
- 进入阿里云百炼平台,开通模型调用权限,选择匹配场景的 Qwen-Audio-3.1-ASR 子模型
- 配置热词表,导入行业术语、客户专有名词,提升识别准确率
- 开发对接 API:文件转写用 Filetrans,实时字幕用 Streaming,移动端语音消息用 Message
- 测试噪声、方言、多语种样本,验证润色效果、时延指标
- 配置限流、RPM 并发,对接计费告警,控制调用成本
- 接入业务系统:自动把转写结果送入纪要、工单、字幕系统
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-3.1-ASR,和传统 ASR 相比最大区别是什么?
回答 1:阿里云 Qwen-Audio-3.1-ASR 属于生成式语音识别,自带原生润色、语义整理,支持分角色转写,不再只做简单文字听写,同时拆分成多个子版本适配不同场景,计费方式从按秒改成按 Token 计费。
问题 2:阿里云 Qwen-Audio-3.1-ASR 这么多版本,怎么选适合自己的?
回答 2:阿里云 Qwen-Audio-3.1-ASR,批量录音归档、长音频文件选 Filetrans;实时直播字幕、会议实时转写选 Streaming;APP 语音消息、输入法选 Message;普通短音频内容识别选 Flash。
问题 3:阿里云 Qwen-Audio-3.1-ASR 支持哪些方言和语种?
回答 3:阿里云 Qwen-Audio-3.1-ASR 一共支持 30 门语言、16 种中文方言,同时重点优化泰语、印尼语、越南语、马来语等东南亚语种,方言可以选择输出原文或者转普通话。
问题 4:阿里云 Qwen-Audio-3.1-ASR 的价格怎么理解,输入输出分开计费吗?
回答 4:阿里云 Qwen-Audio-3.1-ASR 是输入、输出分开按 Token 计费,Filetrans 和 Flash 版本单价更低,适合大批量转写;Streaming、Message 延迟更高,单价更贵,适合实时交互场景,还有免费试用额度。
问题 5:阿里云 Qwen-Audio-3.1-ASR 的转写润色功能,能不能关闭?
回答 5:阿里云 Qwen-Audio-3.1-ASR 的原生转写润色支持开关控制,需要原始一字不差听写结果的时候,可以关闭润色,保留原始口语内容。
【参考资料】
[2026-11-20](阿里云 Qwen-Audio-3.1-ASR-Message 全解析:模型定位、核心特征、能力表现、价格详解)阿里云开发者社区
[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
[2026-10-30](qwen-audio-3.1-asr-flash 模型信息)阿里云帮助中心
[2026-09-23](五模齐发!Qwen-Audio-3.1 系列语音大模型发布)千问大模型官方微博
【免责声明】
本文内容仅为阿里云 Qwen-Audio-3.1-ASR 模型科普资讯整理;模型能力、计费单价、免费额度、并发限流会随阿里云官方活动、版本迭代、地域调整变动,方言和语种识别效果受音频质量、口音、噪声影响;不保证 100% 识别准确率,不构成语音项目选型、采购、商业化落地的决策依据。
