Qwen3-ASR 是阿里云通义千问团队开源的高性能多语言语音识别（ASR）模型，主打52种语言/方言全覆盖、极速推理、强鲁棒性，并附带高精度强制对齐工具，是目前开源界综合能力很强的 ASR 方案之一。

一、模型家族与核心规格

Qwen3-ASR 包含 3 个核心模型，均采用 Apache-2.0 开源协议：

二、核心能力：52种语言与22种中文方言

1. 30种国际语言

覆盖全球主流语种，含多地区口音（美式/英式/印度英语等）：
中文（普通话）、英语、日语、韩语、法语、德语、西班牙语、葡萄牙语、意大利语、俄语、阿拉伯语、土耳其语、越南语、泰语、印尼语、马来语、菲律宾语、希伯来语、波斯语、乌克兰语、波兰语、捷克语、罗马尼亚语、希腊语、荷兰语、瑞典语、挪威语、丹麦语、芬兰语、匈牙利语。http://www.cndba.cn/dave/article/131867

2. 22种中文方言（完整清单）

• 官话：东北、北京、冀鲁、胶辽、中原（陕西）、江淮（南京）、西南（四川/云南）、兰银（甘肃/宁夏）
• 吴语：上海话、苏州话、浙江话
• 粤语：广东话、香港话
• 闽语：闽南语、福建话、潮汕话
• 其他：湖南（湘）、江西（赣）、山西（晋）、安徽（徽）、广西平话、天津话

三、技术架构与创新

• 基座模型：基于 Qwen3-Omni 多模态大模型，具备强语义理解能力。
• 核心编码器：自研 AuT (Audio Transformer) 编码器，在大规模语音数据预训练，擅长提取声学与语言特征。
• 训练范式：多阶段训练，端到端优化，无CTC、无传统词典。
• 推理范式：
  • 非自回归解码，推理速度极快
  • 自动语言检测 (ALD)，无需指定语种，可实时判断52类语言/方言
  • 流式/离线双模式，支持实时转写与长音频批量处理

四、性能表现

• 准确率（词错率 WER%）
  • 普通话：5.2%
  • 英语：7.8%
  • 粤语：6.5%
  • 四川话：7.1%
• 速度与吞吐
  • 1.7B：RTF ≈ 0.0089，处理效率极高
  • 0.6B：支持高并发，吞吐性能优异
  • 流式首字延迟：92ms
• 特殊能力
  • 原生支持歌声识别，支持带BGM歌曲、清唱转写
  • 强抗噪，对嘈杂环境、远场录音、低音质音频适应性好
  • 搭配对齐模型可实现高精度字级时间戳

五、典型应用场景

• 方言内容转写：方言采访、播客、短视频字幕
• 多语种会议：会议实时转写、纪要生成
• 歌词语料库：歌曲、说唱、戏曲转写标注
• 客服质检：方言客服录音分析、合规检查
• 本地生活：方言智能语音助手、智能家居语音交互

六、与 Whisper 对比

七、官方资源

• GitHub：https://github.com/QwenLM/Qwen3-ASR
• ModelScope：https://modelscope.cn/models/qwen/Qwen3-ASR-1.7B
• 技术报告：https://arxiv.org/abs/2601.21337