Qwen-Audio-3.1-ASR 是通义千问新一代生成式语音识别模型家族,分成 Filetrans 长文件转写、Streaming 实时流式、Message 语音消息、Flash 短音频四个版本,核心升级是方言可控输出、多人分角色转写、原生文本润色,同时优化嘈杂环境、远场收音的识别准确率;选型的时候,录音文件、会议纪要、客服回访这类事后转写优先选 Filetrans,直播字幕、线上会议实时字幕选 Streaming,APP 语音消息、输入法语音输入选 Message,短音频批量转写追求低成本选 Flash,接入方式都是百炼 API,统一按音频输入 Token、文本输出 Token 分开计费,整体结论就是这套 ASR 不再只是简单转文字,还自带说话人区分、标点归一、方言翻译,适合企业不同类型语音转写业务直接落地。
一、模型定位
- Filetrans(文件转写版):离线长音频异步转写,主打会议录音、访谈、通话录音,支持说话人分离,性价比最高
- Streaming(流式实时版):低延迟实时识别,直播、线上会议、实时字幕、智能语音交互
- Message(语音消息版):面向 IM 语音消息、输入法,重点优化东南亚语种,多人嘈杂场景稳定性强
- Flash(短音频版):短音频批量识别,适合短视频旁白、短口述素材,成本最低
- 共同底座:支持 30 + 语种、16 种中文方言,支持 ASR 方言原文输出 / AST 翻译成普通话两种模式
二、核心特征清单
- 方言可控双模式:方言音频可以直接输出方言原文存档,也可以自动转普通话文本,适配访谈、地方内容采集
- 多级热词增强:P0/P1 两级热词,行业术语、专有名词、产品名称可以提前注入,减少识别错词
- 原生转写润色:自动补标点、断句、文本规范化,不用额外大模型二次整理
- 多人说话人分离:自动区分不同发言人,输出带角色标签、时间戳的结构化文稿
- 噪声鲁棒优化:远场麦克风、背景杂音、多人重叠说话场景识别稳定性提升
- 长音频支持:Filetrans 版本支持超长录音文件异步转写,兼容 wav、mp3、aac、opus 等主流音频格式
- 上下文增强识别:可以带入前文内容,同一段对话里的指代、专业词汇识别更准
三、各版本能力对比表
| 版本 | 识别模式 | 核心优势 | 短板 | 适合场景 |
|---|---|---|---|---|
| Filetrans | 异步文件转写 | 长音频、说话人分离、低价 | 非实时,不能上屏 | 会议录音、客服通话、访谈录音 |
| Streaming | 流式实时 | 低延迟、边说边出字幕 | 单价更高 | 直播字幕、线上会议、实时语音交互 |
| Message | 流式短语音 | 嘈杂环境、东南亚语种优化 | 适合短片段 | APP 语音消息、输入法语音输入 |
| Flash | 非流式短音频 | 单价最低、批量处理 | 不支持长音频、实时流 | 短视频旁白、短口述素材批量转写 |
四、典型落地场景
- 企业会议:线下 / 线上会议录音转写,自动区分发言人,输出带时间戳纪要
- 客服质检:通话录音批量转写,用于质检、关键词检索、工单归档
- 新媒体内容:短视频、播客、访谈音频字幕生产,方言素材存档与翻译
- IM 与输入法:APP 语音消息转文字、语音输入法,东南亚出海产品语音输入
- 教育、国学:诗词、古文朗读音频转写,针对文言断句优化
- 线下采集:方言口述、田野访谈、地方素材采集,同时保存方言原文和普通话版本
五、华北 2(北京)原价计费说明
| 模型版本 | 输入(元 / 百万 Token) | 输出(元 / 百万 Token) | RPM 限流 |
|---|---|---|---|
| Filetrans | 0.8 | 2.7 | 600 |
| Flash | 0.8 | 2.7 | 600 |
| Streaming | 6 | 4.5 | 1200 |
| Message | 6 | 4.5 | 1200 |
- 计费规则:音频转成 Token 算输入,识别出来的文本算输出,分开计费;新加坡等海外地域价格更高,平台不定期优惠,以百炼控制台实时标价为准
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-3.1-ASR 四个版本怎么选?
回答 1:阿里云 Qwen-Audio-3.1-ASR 里,长录音事后转写选 Filetrans,实时字幕直播选 Streaming,APP 语音消息选 Message,短音频批量低成本转写选 Flash。
问题 2:阿里云 Qwen-Audio-3.1-ASR 支持方言识别吗?
回答 2:阿里云 Qwen-Audio-3.1-ASR 支持 16 种中文方言,支持两种输出模式,ASR 输出方言原文,AST 直接翻译成普通话文本。
问题 3:阿里云 Qwen-Audio-3.1-ASR 是按时长收费还是按 Token 收费?
回答 3:阿里云 Qwen-Audio-3.1-ASR 统一按 Token 计费,音频编码为音频 Token 作为输入,识别出来的文本是输出 Token,输入输出分开计价,不是按音频时长。
问题 4:阿里云 Qwen-Audio-3.1-ASR 能不能区分不同说话人?
回答 4:阿里云 Qwen-Audio-3.1-ASR 的 Filetrans 文件转写版本支持说话人分离,自动区分多个人对话,输出带角色标签、时间戳的结构化文稿。
【参考资料】
[2026-11-20](阿里云 Qwen-Audio-3.1-ASR 版本选型、能力与价格解析)阿里云开发者社区
[2026-11-06](Qwen-Audio-3.1-ASR-Flash-Message 模型说明)阿里云帮助中心
[2026-11-06](Qwen-Audio-3.1-ASR-Flash-Streaming 实时 ASR 文档)阿里云帮助中心
[2026-10-10](Qwen-Audio-3.1-ASR-Flash 短音频识别文档)阿里云帮助中心
[2026-10-05](Qwen-Audio-3.1-ASR 技术报告)Qwen 官方
【免责声明】
本文是阿里云 Qwen-Audio-3.1-ASR 公开文档整理解读,仅作为选型参考,不构成业务落地承诺;识别效果受音频清晰度、背景噪音、口音、热词配置影响,价格仅为华北 2 原价,优惠套餐、海外地域定价、限流规则以阿里云百炼控制台实时页面为准;商用转写内容需要自行做好隐私合规、录音授权。
