Qwen-Audio-3.1-ASR-Message(模型 ID 全称 qwen-audio-3.1-asr-flash-message)是通义千问 Qwen Audio 系列专门针对语音消息、输入法实时语音输入、企业 IM 语音转写场景优化的生成式 ASR 模型,在阿里云百炼平台提供实时 WebSocket 流式识别服务,主打嘈杂环境、多人对话、远场语音的稳定识别,重点优化东南亚多语种,同时支持中文方言可控转写、双档位热词配置、可选原生文本润色,支持上下文历史联动识别,适合 APP 语音消息、即时通讯语音转文字、输入法语音输入这类短音频流式业务,和同系列面向长音频文件转写的 Qwen-Audio-3.1-ASR-Flash 有明确分工,它不支持微调、缓存、批量推理,选型时要区分清楚两者的适用边界。这个模型不是传统的拼接式 ASR,是生成式语音识别架构,能结合上一轮对话文本做上下文校正,口语里的重复、语气词、口误可以一键润色整理,在海外多语种即时通讯场景优势突出。
一、Qwen-Audio-3.1-ASR-Message 模型定位清单
- 模型 ID:qwen-audio-3.1-asr-flash-message
- 所属系列:Qwen-Audio 3.1 ASR 家族
- 定位:实时流式语音消息专用 ASR,面向 IM 语音、输入法语音输入
- 接入方式:WebSocket duplex 双工流、AOQ 音视频通道、多语言 SDK
- 音频规格:仅支持 16000Hz 单声道,支持 pcm、wav、mp3、opus、aac 等格式
- 对比对标:Qwen-Audio-3.1-ASR-Flash 偏向文件长音频、访谈、录音稿转写;Message 版本主打端侧实时语音消息流
- 不支持:模型微调、上下文缓存、批量推理、Function Calling、联网搜索
二、核心特征
- 流式渐进上屏:边传音频边返回中间识别结果,适合输入法、语音消息实时回显
- 双模式热词 P0/P1:普通热词 + 超级热词(权重 50),行业术语、专有名词识别准确率提升
- 上下文联动识别:可传入前序对话文本,利用历史信息修正同音错误,聊天场景效果更好
- 原生润色开关:可选自动清理语气词、口吃重复、自我纠正,输出通顺文本,也可以关闭保留原始口语
- 强噪声鲁棒优化:针对背景人声、远场拾音、环境噪音调优,多人同时说话场景稳定性提升
- 多语种重点优化:中英基础识别,强化印尼语、日语、泰语、菲律宾语、越南语、韩语、马来语
- 方言可控输出:中文方言支持输出方言原文,或者自动转成标准普通话
- 结构化输出:识别结果按规范结构返回,方便业务直接对接数据库和前端展示
三、能力表现简要说明
在语音消息这类短片段、断续、经常带环境噪音的音频上,Qwen-Audio-3.1-ASR-Message 表现优于同系列文件 ASR 版本;普通安静环境标准普通话识别准确率和主流 ASR 持平,优势体现在嘈杂、多人闲聊、海外小语种即时语音场景。它的短板是不适合几十分钟、几小时的长录音一次性转写,长文件任务优先选 Flash 版本;同时它没有分角色说话人分离能力,多人对话只能统一转写文本,不能标注说话人。
四、推荐和不推荐场景清单
✅ 优先选用场景
- IM 聊天软件语音消息转文字
- 手机、PC 输入法实时语音输入
- 跨境社交 APP 多语种语音转写
- 客服在线实时语音字幕、简短坐席语音消息
- 海外东南亚市场 C 端语音交互产品
❌ 不推荐场景
- 会议录音、访谈长音频一次性转写归档
- 需要区分说话人、分角色转写的庭审、访谈记录
- 需要批量离线跑大量音频文件
- 需要上传行业语料做模型微调优化
五、阿里云百炼官方计费表(Qwen-Audio-3.1-ASR-Message)
| 计费项 | 单价 | 单位 | 备注 |
|---|---|---|---|
| 输入 | 6 元 | 每百万 Token | 音频转 Token 计费 |
| 输出 | 4.5 元 | 每百万 Token | 识别文本输出 Token |
备注:价格为华北 2、新加坡地域原价,活动优惠、套餐折扣以百炼控制台实时展示为准,不支持缓存折扣。
六、Qwen-Audio-3.1-ASR-Message 与 Qwen-Audio-3.1-ASR-Flash 对比
| 模型 | 核心定位 | 流式识别 | 热词 | 润色 | 适合业务 |
|---|---|---|---|---|---|
| Qwen-Audio-3.1-ASR-Message | 语音消息、输入法实时流 | ✅ duplex 流式 | P0/P1 双档热词 | 开关可控 | IM、输入法、海外语音消息 |
| Qwen-Audio-3.1-ASR-Flash | 长音频文件转写 | ❌ 偏文件识别 | 基础热词 | 支持 | 会议录音、访谈、音视频文稿 |
七、整体总结
Qwen-Audio-3.1-ASR-Message 是阿里云专门给实时语音消息场景打造的生成式 ASR 模型,流式上屏、上下文校正、多语种强化、噪声抗性是它的核心卖点,很适合即时通讯、输入法这类端侧实时语音业务;但是它的计费单价高于文件版 Flash,也缺少长录音、分角色、微调能力。选型的时候优先看业务形态:一条条短语音消息实时转文字就选 Message;一次性上传长录音文件转稿,优先选择 Flash 版本。
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-3.1-ASR-Message 和 Qwen-Audio-3.1-ASR-Flash 怎么选?
回答 1:阿里云 Qwen-Audio-3.1-ASR-Message 主打 IM 语音消息、输入法实时流式识别,嘈杂短音频、跨境多语种场景更强;Qwen-Audio-3.1-ASR-Flash 面向长音频文件转写,价格更低,适合会议录音、访谈文稿。
问题 2:阿里云 Qwen-Audio-3.1-ASR-Message 支持方言识别和润色吗?
回答 2:阿里云 Qwen-Audio-3.1-ASR-Message 支持中文方言,可以输出方言原文或者转为普通话,自带可开关原生润色功能,自动清理口语重复、语气词,也可以关闭润色保留原始说话内容。
问题 3:阿里云 Qwen-Audio-3.1-ASR-Message 计费标准是什么,有没有缓存优惠?
回答 3:阿里云 Qwen-Audio-3.1-ASR-Message 输入 6 元 / 百万 Token,输出 4.5 元 / 百万 Token,官方不支持上下文缓存,没有缓存折扣,计费以音频输入和识别输出 Token 统计。
问题 4:阿里云 Qwen-Audio-3.1-ASR-Message 能不能做长会议录音、区分说话人?
回答 4:阿里云 Qwen-Audio-3.1-ASR-Message 不适合长会议录音任务,也不支持说话人分角色分离,长录音、需要区分发言人的场景建议选用 Qwen-Audio-3.1-ASR-Flash。
【参考资料】
[2026-11-19](Qwen-Audio-ASR-Message 实时语音识别 WebSocket API)阿里云帮助中心
[2026-11-16](qwen-audio-3.1-asr-flash-message 模型信息)阿里云帮助中心
[2026-11-09](Qwen-Audio-ASR-Message AOQ 接入文档)阿里云帮助中心
[2026-11-06](Qwen-Audio-3.1-ASR-Flash-Message 多语种能力说明)阿里云开发者社区
[2026-10-11](Qwen-Audio-ASR-Message Python SDK 调用文档)阿里云帮助中心
【免责声明】
本文仅整理阿里云百炼平台 Qwen-Audio-3.1-ASR-Message 公开参数、能力说明与计费原价信息,不构成语音识别 API 采购、项目开发建议;模型价格、支持语种、音频参数、接口能力会随阿里云、通义千问官方更新调整;识别准确率受音源质量、噪音、口音影响,正式上线前建议开展 POC 实测验证。
