Qwen-Audio-3.1-ASR-Flash-Streaming 是阿里云通义千问推出的端到端流式实时语音识别模型,主打边推音频边返回转写文字,低延迟、高抗噪,专门给实时会议字幕、直播实时字幕、在线语音交互这类需要 “一边说话一边出字” 的业务做的,和普通文件转写、短语音 ASR 不一样,它持续接收音频流,会同步返回中间临时结果和最终稳定文本,支持中英混说、国内多种方言识别,还能配置热词、上下文增强、自动加标点,嘈杂环境比如会议室、直播间里识别稳定性明显提升,在百炼平台以 API 调用方式上线,按 Token 计费,有免费额度,同时设置了 RPM 限流,适合高并发实时语音转写业务开发。
一、模型定位与核心特征清单
- 定位:流式实时单向语音识别,只做音频转文字,不支持语音合成、对话推理、Function Calling
- 输入输出:输入是连续音频流,输出实时文本,带中间增量结果 + 最终稳定结果
- 语种方言:支持多语种、国内多地中文方言,中英文自由混切识别
- 增强能力:热词定制、上下文增强、标点自动预测、文本归一化,方言支持可控输出
- 抗噪能力:针对混响、背景噪音优化,会议室、直播、嘈杂线下环境适配性更好
- 能力限制:不支持联网搜索、结构化输出、前缀续写、上下文缓存、批量推理、模型微调
- 并发上限:华北 2 地域 RPM 上限 1200,适合高并发实时业务
二、版本选型对比表
| 模型 | 识别类型 | 计费方式 | 适合业务 |
|---|---|---|---|
| Qwen-Audio-3.1-ASR-Flash-Streaming | 流式实时 | 输入 6 元 / 百万 Token,输出 4.5 元 / 百万 Token | 会议实时字幕、直播字幕、语音助手实时交互 |
| Qwen-Audio-3.1-ASR-Flash | 短语音非流式 | 输入 0.8 元 / 百万 Token,输出 2.7 元 / 百万 Token | 语音消息、短句录音一次性识别 |
| Qwen-Audio-3.1-ASR-Flash-Filetrans | 长音频异步文件转写 | 异步任务计费 | 录播、课后回放、历史录音批量转写 |
三、能力表现说明
- 延迟表现:流式增量返回,满足字幕场景的低延迟要求,适合人一边说话一边展示文字
- 混切识别:中英夹杂、专业术语、行业专有名词,搭配热词表之后识别准确率提升明显
- 文本输出:自动补标点、做文本规范化,减少后端额外清洗工作量
- 方言可控:可以指定方言输出风格,保留方言表达,也可以转为标准普通话文字
- 短板:只支持单向语音转文字,不能做双向语音对话,也不能直接做语音总结、问答,需要搭配 LLM 二次处理转写文本
四、适用场景和不适合场景
✅ 优先适配场景
- 线上会议、线上课堂实时字幕,参会人边讲边出字幕
- 直播、短视频直播间实时字幕,实时展示口播文字
- 智能客服实时坐席辅助,实时转写客户语音
- 硬件端语音交互、语音助手实时识别
❌ 不推荐场景
- 历史录音、录播视频批量转写,优先选 filetrans 异步版本更划算
- 只需要一句式语音消息识别,用普通 Flash 短语音版本成本更低
- 需要语音生成、语音问答、多轮对话,这个模型只有 ASR 识别能力
- 本地私有化部署,当前为百炼线上 API 服务,不开放权重
五、百炼平台调用价格(华北 2 北京,原价)
| 计费项 | 单价 | 免费额度 | 有效期 |
|---|---|---|---|
| 输入 Token | 6 元 / 百万 Token | 100 万 Token | 90 天 |
| 输出 Token | 4.5 元 / 百万 Token | 包含在免费额度内 | 90 天 |
新加坡国际地域:输入 6.781 元 / 百万 Token,输出 5.104 元 / 百万 Token,无免费额度
六、接入使用步骤
- 开通阿里云百炼,获取 API Key,选择 qwen-audio-3.1-asr-flash-streaming 模型 ID
- 建立流式长连接,持续分片推送音频流,按照编码、采样率要求传入音频
- 配置热词表、上下文增强参数,提升行业专有名词识别效果
- 接收增量中间结果,界面实时展示;句子结束后接收稳定最终文本
- 业务压测,控制 RPM 不超过 1200,避免触发限流
- 转写得到文本之后,再对接大模型做摘要、提取、问答等二次处理
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,它和普通 ASR Flash 模型最大区别是什么?
回答 1:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,它是流式实时识别,持续推音频、边说边返回增量字幕;普通 ASR Flash 是一次性上传完整短音频再返回结果,适合语音消息,不适合实时字幕。
问题 2:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,这个模型支持热词和方言识别吗?
回答 2:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,支持自定义热词、上下文增强,同时支持多地方言识别,还支持方言可控输出,嘈杂环境识别鲁棒性更强。
问题 3:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,它的计费方式和限流规则是什么?
回答 3:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,华北 2 地域按输入 6 元 / 百万 Token、输出 4.5 元 / 百万 Token 计费,自带 100 万 Token 免费额度,RPM 上限 1200,超过会限流。
问题 4:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,能不能直接用来做语音对话、语音总结?
回答 4:阿里云 Qwen-Audio-ASR-Flash-Streaming 全解析,它只做音频转文字,没有对话、总结、推理能力,想要总结、问答,需要把它输出的转写文本再传给大模型处理。
【参考资料】
[2026-11-20](阿里云最新 Qwen-Audio-ASR-Flash-Streaming 全解析:模型定位、核心特征、能力表现、适用场景及计费详解)阿里云开发者社区
[2026-11-17](Qwen-Audio 3.1 系列 ASR 选型指南)阿里云百炼帮助中心
[2026-11-06](qwen-audio-3.1-asr-flash-streaming 模型文档)阿里云帮助中心
[2026-11-06](百炼平台语音模型定价明细)阿里云百炼定价页
【免责声明】
本文基于阿里云百炼官方文档、模型公开资讯整理,Qwen-Audio-ASR-Flash-Streaming 的价格、免费额度、RPM 限流、识别效果会随版本迭代、平台活动调整;实时流式识别对网络稳定性、音频编码有要求,嘈杂环境识别效果存在波动;本文仅作为技术选型和开发参考,不构成业务落地、采购预算的决策建议。
