阿里端出最强语音模型Qwen3-ASR-Flash：听得清，识得准！

9月8日，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。

在ASR（自动语音识别）的多项基准测试中，Qwen3-ASR-Flash在方言、多语种、关键信息识别、歌词等方面的识别错误率明显低于谷歌Gemini-2.5-Pro、OpenAI GPT-4o-Transcribe、阿里巴巴语音实验室Paraformer-v1、字节豆包Doubao-ASR。

具体来看，该模型支持中文、英语、法语、德语等11个语种，识别过程中能自动分辨语音语种、自动过滤静音和背景噪声等非语音片段，其是基于海量多模态数据以及千万小时规模的ASR数据构建的语音识别服务。

如果想要获得定制化的ASR结果，用户可提供任意格式的背景文本来获得倾向性ASR结果，且用户无需对上下文信息进行预处理。

其支持的格式包括但不限于以下一种，简单的关键词或热词列表、任意长度和来源的完整段落或整篇文档、以任意格式混合的关键词列表与全文段落、无关甚至无意义的文本。研究人员提到，模型对无关上下文的负面影响具有高度鲁棒性。

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。