阿里通义千问开源Qwen3-ASR系列模型:支持30种语言与22种方言
阿里通义千问团队近日开源了Qwen3-ASR系列语音识别模型。该系列包含Qwen3-ASR-0.6B、Qwen3-ASR-1.7B以及Qwen3-ForcedAligner-0.6B三个模型,基于创新的AuT语音编码器与Qwen3-Omni基座模型的多模态能力构建,旨在提供高性能的语音转文字及时间戳对齐解决方案。
01核心优势与技术特性
Qwen3-ASR系列在语言支持与音频处理时长上具有显著优势。模型支持30种语言以及22种方言的语音识别,能够适应广泛的国际化应用场景。在音频处理能力方面,该系列模型一次性可支持处理最长20分钟的音频,满足长语音转写需求。
02模型定位与差异
- Qwen3-ASR-1.7B
作为该系列中的高性能版本,该模型在开源与内部基准测试中均达到开源模型的领先水平,适合对识别精度要求极高的场景。 - Qwen3-ASR-0.6B
在性能与效率之间取得了平衡,体积更小,推理速度更快,特别适合应用于对延迟要求较高的实时场景。 - Qwen3-ForcedAligner-0.6B
专注于时间戳预测的专用模型,支持11种语言。其时间戳预测精度超过WhisperX、Nemo-Forced-Aligner等主流模型。
03模型获取方式
| 资源平台 | 链接地址 |
|---|---|
| GitHub | https://github.com/QwenLM/Qwen3-ASR |
| Hugging Face | https://huggingface.co/collections/Qwen/qwen3-asr |
| ModelScope | https://www.modelscope.cn/collections/Qwen/Qwen3-ASR |
| 论文地址 | https://github.com/QwenLM/Qwen3-ASR/blob/main/assets/Qwen3_ASR.pdf |
Qwen3-ASR系列模型相关资源索引
当前文章无评论,是时候发表评论了