阿里通义千问发布语音识别大模型 Qwen-Audio-3.0-ASR-Flash，主打长音频与行业术语识别

7月31日，阿里通义千问正式发布新一代语音识别大模型 Qwen-Audio-3.0-ASR-Flash，核心卖点为"长音频不丢词、行业词不用教"。该模型目前已通过阿里云百炼平台开放调用。

据官方介绍，新模型在五个关键维度实现升级：

长音频上下文记忆：转写时可参考前文语义，数小时会议中的人名、技术概念能够全程保持一致，避免跨片段"断片"问题。

内置多行业词库：医疗场景专业词召回率达95.36%，IT编程领域达91.87%，无需人工配置即可精准识别冷门术语。

分级热词定制：企业专属词汇可即时生效，多数场景召回率突破99%，且不因热词数量增加而误触发。

集成语音润色：单步完成去除口头禅、清理重复内容、处理自我纠正和语义重组，输出可读性接近"ASR+大模型润色"的两步方案效果。

多语言覆盖：一套模型支持30余种语言，七语种平均语义错误率为17.09%，优于Azure、Gemini等同类产品，适用于跨国会议和出海客服等场景。

同期推出的 Qwen-Audio-3.0-ASR-Streaming 面向实时场景，理论出字延迟300毫秒，中文工业场景错字率7.80%，英文11.52%。该系列此前在Artificial Analysis评测中以1.7%错字率获得全球第一，现已应用于会议纪要、实时字幕、教育录播、智能客服等领域。