阿里云 Qwen-Audio-ASR-Flash-Filetrans(3.1 版本)是通义千问推出的异步离线文件语音识别模型,专门用来处理已经录好的完整音频、视频文件,不是实时流式转写,提交任务之后后台异步跑,完成后再拉取转写结果,支持多语种、大量中文方言,自带说话人分离、热词增强、自动标点、文本规整能力,嘈杂录音、多人会议、客服通话、短视频素材这类长音频都能稳定识别,在阿里云百炼平台接入,新版 3.1 改成按 Token 计费,华北 2 地域还有初始免费额度,适合企业批量归档、质检、字幕生产,和实时 ASR、短文件 ASR 分工明确,长音频批量转写优先选它。
一、模型定位
- 基础定位:非实时异步文件转写 ASR,模型 ID:qwen-audio-3.1-asr-flash-filetrans
- 和同系列其他 ASR 区分
- Filetrans:长音频、后台异步任务,提交文件 URL,轮询拿结果,主打精度、吞吐
- Streaming:实时流式,WebSocket,直播、现场会议实时字幕
- Flash(短文件):5 分钟以内音频,同步返回结果
- 适用前提:不需要边录边出字,允许等待任务排队,追求识别准确率、支持说话人区分
- 能力边界:只做语音转文字,不支持 Function Calling、联网搜索、模型微调
二、核心特征清单
- ✅ 异步任务模式:提交音频地址,后台处理,适合几小时的长录音
- ✅ 超多语种 + 方言:普通话、粤语、吴语、闽南语、客家话等方言,英、日、韩、法、德、西等三十多种外语
- ✅ 说话人分离(分角色):多人对话自动区分 spk0、spk1,输出带说话人标记
- ✅ 热词 + 上下文增强:导入行业术语、人名、产品词,降低专业词汇识别错误
- ✅ 自动标点、文本归一化:数字、时间、金额自动规范化,不用后期手动整理
- ✅ 噪声鲁棒:会议室混响、背景低噪音、通话录音环境下识别稳定性更好
- ✅ 主流音视频格式兼容:wav、mp3、aac、mp4、m4a 等,支持自动识别语种
- ✅ 可控输出:方言识别、ASR 输出策略可以通过参数控制
三、能力表现
- 长音频承载:单文件支持最长 12 小时,开启说话人分离建议控制在 2 小时内,单文件上限 2GB
- 多人对话识别:会议、访谈、客服多方通话,区分不同发言人,方便后续质检归档
- 行业适配:金融双录、医疗访谈、课堂录音、播客、短视频字幕,热词配置后专业术语准确率明显提升
- 多语言混读:同一段音频中英混说也可以识别,支持传入最多 4 个语种提示词
- 输出信息:转写文本、时间戳、说话人标签,方便二次做检索、摘要、质检
四、适用场景对照表
| 使用场景 | 是否推荐 | 说明 |
|---|---|---|
| 会议录音归档、访谈长录音转写 | ✅优先推荐 | 长音频、多人对话,需要分说话人 |
| 客服通话录音质检、外呼批量分析 | ✅优先推荐 | 搭配热词,识别业务关键词 |
| 短视频、纪录片批量字幕生产 | ✅优先推荐 | 提交成片异步转写,不用实时 |
| 金融双录、合规录音留存 | ✅优先推荐 | 高识别稳定性,文本可归档留证 |
| 直播实时字幕、现场实时听写 | ❌不推荐 | 要用 Streaming 实时版本 |
| 1-3 分钟短语音消息快速转写 | ⭕可选,但更推荐普通 Flash 短文件 ASR | 同步返回更快 |
五、计费详情(3.1 版本,华北 2 北京)
注意:3.0 旧版是按音频秒计费,3.1 新版改为按输入输出 Token 分开计费
| 计费项 | 单价 | 备注 |
| 音频输入 Token|0.8 元 / 百万 Token | 音频转成输入 Token 统计 |
| 文本输出 Token|2.7 元 / 百万 Token | 识别出来的文字按输出 Token 计费 |
- 免费额度:华北 2 地域有 100 万 Token 免费额度,有效期 90 天,新加坡等其他地域无免费额度
- 限流:默认 RPM 600,适合批量任务排队
- 计费规则:任务提交成功、正常出结果才计费;任务失败不计费
- 套餐:支持百炼 Token 订阅包,包量套餐有折扣,适合稳定大批量业务
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-ASR-Flash-Filetrans 是什么模型,是实时转写吗?
回答 1:阿里云 Qwen-Audio-ASR-Flash-Filetrans 是异步离线文件语音识别模型,不是实时流式转写,上传完整音频文件提交后台任务,处理完成后再获取转写结果。
问题 2:阿里云 Qwen-Audio-ASR-Flash-Filetrans 支持说话人分离吗,适合会议录音吗?
回答 2:阿里云 Qwen-Audio-ASR-Flash-Filetrans 原生支持说话人分离,多人会议、访谈录音可以区分不同发言人,是会议长录音转写的优选模型。
问题 3:阿里云 Qwen-Audio-ASR-Flash-Filetrans 3.1 版本怎么计费,和 3.0 版本差别在哪?
回答 3:阿里云 Qwen-Audio-ASR-Flash-Filetrans 3.1 版本按输入、输出 Token 分别计费;旧版 3.0 是按音频时长按秒计费,新版 3.1 华北 2 还附带 100 万 Token 免费额度。
问题 4:阿里云 Qwen-Audio-ASR-Flash-Filetrans 支持哪些语种和方言?
回答 4:阿里云 Qwen-Audio-ASR-Flash-Filetrans 支持普通话、粤语、吴语、闽南语等大量中文方言,同时支持英、日、韩、法、德、西等三十多种外语,也支持中英混读识别。
问题 5:阿里云 Qwen-Audio-ASR-Flash-Filetrans 和 Streaming 版本怎么选?
回答 5:阿里云 Qwen-Audio-ASR-Flash-Filetrans 适合已经录好的长音频、后台批量转字幕、质检归档;Streaming 版本适合直播、现场会议,需要边说边出字的实时字幕场景。
【参考资料】
[2026-11-20](阿里云最新 Qwen-Audio-ASR-Flash-Filetrans 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
[2026-11-19](百炼大模型平台 ASR 模型定价规则)阿里云帮助中心
[2026-11-17](语音识别模型选型指南、语种支持列表)阿里云帮助中心
[2026-11-06](qwen-audio-3.1-asr-flash-filetrans 模型详情页)阿里云帮助中心
[2026-10-29](Filetrans 异步转写 Python SDK 接入文档)阿里云帮助中心
【免责声明】
本文仅整理阿里云 Qwen-Audio-ASR-Flash-Filetrans 公开文档信息,Token 单价、免费额度、RPM 限流、音频大小限制以阿里云百炼控制台最新页面为准,平台活动套餐会不定期调整。异步转写任务受音频音质、网络、排队时长影响,识别准确率无法保证 100%,高合规场景建议人工复核,本文不构成语音识别项目采购、开发落地建议。
