阿里发布语音识别大模型提升专业词识别

阿里巴巴今日正式发布语音识别大模型Qwen-Audio-3.0-ASR-Flash，这是其在智能语音技术领域的一次重要迭代。该模型的核心目标在于让AI更精准地理解专业词汇，从而在医疗、编程、金融等垂直行业中提供更可靠的语音转文字服务。

据官方介绍，Qwen-Audio-3.0-ASR-Flash主要在三个维度进行了系统性优化：上下文一致性、行业词识别和热词定制化。上下文一致性确保模型在长语音输入中保持语义连贯，避免因语境变化导致的识别偏差；行业词识别则依托研究团队从医疗、IT编程、股票、社会名人等领域持续挖掘的高质量词库，显著提升对专业术语和冷门词的捕捉能力；热词定制化允许用户根据具体需求动态添加自定义词汇，进一步适配个性化场景。

在最新的行业词汇内部评测中，新模型对各行业专业词的“听中率”均有明显提升，其中医疗场景的听中率突破了95.36%，展现了在高度专业化领域的强劲表现。此外，该模型还具备语音润色能力，能够直接输出结构化文本，省去了后续人工整理的步骤，提升了实际应用效率。

目前，Qwen-Audio-ASR-Flash系列已在多个实际场景中得到验证，包括会议纪要整理、实时字幕、教育录播和智能客服等。值得一提的是，该系列曾在AI评测平台Artificial Analysis上以1.7%的错字率拿下全球第一，这一成绩充分证明了其技术领先性。

在开放层面，Qwen-Audio-3.0-ASR现已通过阿里云百炼平台提供调用，共推出三个版本：Qwen-Audio-3.0-ASR-Flash（支持最长5分钟语音识别）、Qwen-Audio-3.0-ASR-Filetrans（离线文件转写）以及Qwen-Audio-3.0-ASR-Streaming（实时语音识别）。开发者可根据不同业务需求灵活选择，例如实时字幕场景适合Streaming版本，而历史录音转写则可使用Filetrans版本。

此次发布不仅强化了阿里在AI语音技术领域的布局，也为行业用户提供了更高效、更精准的语音处理工具。随着专业词库的持续扩充和模型能力的不断优化，Qwen-Audio系列有望在更多垂直场景中发挥价值，推动语音交互技术的落地应用。