阿里端出最强语音模型！英文rap精准转文字，准确率干翻全球
程 茜约 4 分钟▲头图由AI生成
智东西9月9日报道，昨天，阿里发布最新语音识别模型Qwen3-ASR-Flash，该模型基于Qwen3基座模型训练，支持11种语言和多种口音。用户可以通过ModelScope、HuggingFace和阿里云百炼API Qwen3-ASR-Flash免费体验。
ModelScope地址：
https://modelscope.cn/studios/Qwen/Qwen3-ASR-Demo
Hugging Face地址：
https://huggingface.co/spaces/Qwen/Qwen3-ASR-Demo
阿里云百炼API调用地址：
https://bailian.console.aliyun.com/?tab=doc#/doc/?type=model&url=2979031
官方放出了5个演示示例，包含多种类型噪声、多语种快速切换、方言、专业名词的音频识别难题。
第一个是夹杂手机铃声、车铃声、音乐声、水声、雷声等多种类型的连续噪音，其中还会有不同人物之间切换对话，Qwen3-ASR-Flash在多人同时说话或者说话间隔非常短的情况下也对语音进行了准确识别，没有受到噪声干扰。
第二个是英文说唱。英文说唱的特点是语速快、歌词中单词连读情况多，识别结果中很多歌词中的单词连读、长难句识别准确，且没有受到背景音乐的干扰。
第三个是方言的识别。这一场景中，音频中主人公正在开车，有主人公的方言和智能语音客服的普通话穿插出现，音频中智能语音客服将“纠正”错误识别成了“96”，Qwen3-ASR-Flash进行了准确识别。
第四个是多语种句子切换，7秒的音频里有英语、日语等5种语言，识别结果都进行了一一呈现。
最后是化学课程的一段音频。识别结果中酯基、酸、醛、氨等化学名词，以及音频中人物的语气词识别并未出错。
性能表现，Qwen3-ASR-Flash在中文、英文、多语言、歌词、关键信息上的识别错误率都要低于Gemini-2.5-Pro、GPT-4o-Transcribe、Paraformer-v1、Doubao-ASR。
在歌词识别中，Qwen3-ASR-Flash支持清唱和带背景音乐的整首歌识别，研究人员实测识别错误率低于8%。
基于此，Qwen3-ASR-Flash可以利用该上下文识别并匹配命名实体和其他关键术语，输出定制化的识别结果。