阿里千问开源 Qwen3-ASR 语音识别模型：支持 52 种语种与方言，1.7B 版本达 SOTA 水平

IT之家 1 月 29 日消息，阿里千问团队今日正式开源 Qwen3-ASR 系列模型，该模型是由 Qwen 开发的一系列功能强大的语音识别模型，包括两个强大且全面的语音识别模型 Qwen3-ASR-1.7B 与 Qwen3-ASR-0.6B，以及一个创新的语音强制对齐模型 Qwen3-ForcedAligner-0.6B。Qwen3-ASR 系列的语音识别模型支持 52 个语种与方言的语种识别与语音识别。

据官方介绍，依托创新的预训练 AuT 语音编码器与 Qwen3-Omni 基座模型的强大多模态能力，Qwen3-ASR 实现了精准与稳定的语音识别，其 1.7B 模型在中文、英文、中文口音与歌唱识别等场景下达到 SOTA，具有复杂文本识别能力以及强噪声下的稳定性；0.6B 模型在性能与效率上实现了均衡，在保证语音识别准确率的情况下，128 并发异步服务推理能够达到 2000 倍吞吐，即 10 秒钟处理五个小时以上的音频。

强制对齐模型 Qwen3-ForcedAligner-0.6B 是基于 NAR LLM 推理的时间戳预测模型，支持 11 个语种的任意位置的灵活精准的强制对齐，其时间戳预测精度超越传统的 WhisperX，Nemo-Forced-Aligner 等模型，单并发推理 RTF 达到了高效的 0.0089。

阿里千问团队称，希望 Qwen3-ASR 系列模型的开源能够推动语音识别与理解的研究与发展，三个模型的结构与权重、以及一个全面易用的推理框架将一并开源。

模型列表：

IT之家附官方介绍如下：

Qwen3-ASR

Github：

HuggingFace：

ModelScope：

https://www.modelscope.cn/collections/Qwen/Qwen3-ASR

Huggingface Demo：

ModelScope Demo：

论文：

https://github.com/QwenLM/Qwen3-ASR/blob/main/assets/Qwen3_ASR.pdf

阿里云百炼 API：

https://help.aliyun.com/zh/model-studio/qwen-real-time-speech-recognition