阿里发布Qwen-Audio-3.0-ASR-Flash，专业词汇识别率大幅提升

阿里巴巴于7月31日正式推出语音识别大模型Qwen-Audio-3.0-ASR-Flash，这是Qwen-Audio-ASR系列的最新迭代版本。与前代相比，新模型将优化重心集中在上下文一致性、行业词识别和热词定制化三个核心维度，力图让AI在专业场景下真正听懂人说的话，而不仅仅停留于通用语音转写层面。

在专业词汇覆盖方面，研究团队持续从医疗、IT编程、股票、社会名人等多个垂直领域挖掘术语，建成了一套覆盖多行业的高质量词库。这一词库的建立显著加强了模型对专业术语和冷门词的识别能力。最新内部评测结果显示，新模型在各行业专业词的听中率上均有明显提升，其中医疗场景的识别率更是突破了95.36%，在对准确性要求极高的医疗记录和问诊场景中具有重要的实用价值。

除识别精度外，Qwen-Audio-3.0-ASR-Flash还新增了语音润色能力，模型在完成语音转写后可直接输出结构化文本，减少人工二次整理的工作量。这一特性使其在会议纪要整理、教育录播和智能客服等对文本格式有一定要求的场景中更具竞争力。目前，该系列已在上述多个实际业务场景中得到验证，落地应用基础较为扎实。

在第三方评测层面，Qwen-Audio-ASR-Flash系列曾在国际AI评测平台Artificial Analysis上以1.7%的错字率拿下全球第一的成绩，这一数据为其技术实力提供了独立背书。低错字率意味着在实时字幕、法律文书转写等对准确性敏感的场景中，用户需要人工校对的工作量将大幅减少。

在产品形态上，Qwen-Audio-3.0-ASR系列现已通过阿里云百炼平台开放调用，提供三个差异化版本以满足不同业务需求：Qwen-Audio-3.0-ASR-Flash支持最长5分钟的语音识别，适合短时录音场景；Qwen-Audio-3.0-ASR-Filetrans面向离线文件转写需求；Qwen-Audio-3.0-ASR-Streaming则支持实时语音识别，适用于直播字幕、实时会议等低延迟场景。三个版本的并行推出，体现了阿里在语音AI商业化落地上的全场景布局思路。

要点

• Qwen-Audio-3.0-ASR-Flash在上下文一致性、行业词识别和热词定制化三个维度进行系统优化，医疗场景专业词听中率突破95.36%。
• 模型新增语音润色能力，可直接输出结构化文本，降低会议纪要、教育录播等场景的后期整理成本。
• 该系列曾在Artificial Analysis平台以1.7%错字率位居全球第一，具备独立第三方评测背书。
• 阿里云百炼平台同步开放Flash、Filetrans、Streaming三个版本，覆盖短时识别、离线转写和实时识别全场景。