Qwen3-ASR
阿里的 Apache 2.0 语音转文字双模型(1.7B 与 0.6B):30 种语言加 22 种中文方言,支持歌声、流式识别和词级时间戳。
一句话概括. Qwen3-ASR 把语音转成文字。它能听懂 30 种语言、22 种中文地方方言和多国英语口音,甚至能转写歌声和带背景音乐的歌曲。它有更准的大尺寸和更快的小尺寸两种规格,Apache 2.0 许可证允许商用。
概述
阿里通义千问团队于 2026 年 1 月 29 日以 Apache 2.0 许可证发布 Qwen3-ASR 家族。它包含两个语音识别模型 Qwen3-ASR-1.7B 和 Qwen3-ASR-0.6B,以及一个单独的、用于预测时间戳的 Qwen3-ForcedAligner-0.6B。按模型卡的说法,两个识别模型都能判断语种,并转写 30 种语言和 22 种中文方言,还有多国的英语口音,能处理语音、歌声和带背景音乐的歌曲。同一个模型既能流式运行也能离线运行,并能转写长音频。
两个识别模型都建立在 Qwen 的 Qwen3-Omni 基础模型的音频理解能力之上。Qwen 称 1.7B 的准确率在开源识别模型中达到业界领先水平,并可与最强的商业 API 竞争;0.6B 用一部分准确率换取速度,并发 128 时吞吐量约为实时的 2000 倍;这两项说法均来自 Qwen 自己的基准测试和技术报告。强制对齐模型是一个非自回归模型,能在最长五分钟的语音里为任意单位预测时间戳,支持 11 种语言。
1.7B 检查点总参数 23.5 亿,BF16 下载 4.7 GB,0.6B 为 9.4 亿参数、约 1.9 GB,对齐模型约 1.8 GB。Qwen 提供 qwen-asr Python 包,含 Transformers 后端和 vLLM 后端,可用于批量推理、异步服务和流式识别,另有官方 Docker 镜像。自 2026 年 6 月 26 日起,还提供原生支持 Transformers 的 -hf 检查点。
适合做什么
- 转写中文、英文和另外 28 种语言(含中文地方方言)的会议、电话、访谈和视频
- 用流式模式做实时字幕和语音界面
- 用更快的 0.6B 在普通 GPU 上做大批量转写
- 借助强制对齐模型的词级或字级时间戳制作字幕和卡拉 OK 式对齐
需要注意
- “同类最佳”和吞吐量的说法来自 Qwen 自己,请用自己的音频和口音测试
- 支持 30 种语言加 22 种中文方言,投入使用前请确认你的语言在列表中
- 模型卡没有描述说话人标注功能,需要区分说话人时请另用说话人分离工具
- 识别模型仍可能听错人名和数字,重要的转写请人工复核
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 Qwen3-ASR 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| ForcedAligner 0.6B (timestamps) BF16 | 918M | 1.84 GB | 2.12 GB | 笔记本或手机 |
| 0.6B BF16 | 938M | 1.88 GB | 2.16 GB | 笔记本或手机 |
| 1.7B BF16 | 2.35B | 4.7 GB | 5.4 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
- Qwen3-ASR 与 Voxtral Realtime 对比:该选哪个流式语音转文字模型?
- 最佳开源语音模型:语音转文字与文字转语音
- 2026 年最佳开源语音识别(语音转文字)模型
- 开放语音模型:转写很开放,文字转语音则参差不齐
常见问题
- Qwen3-ASR 是什么?
- Qwen3-ASR 把语音转成文字。它能听懂 30 种语言、22 种中文地方方言和多国英语口音,甚至能转写歌声和带背景音乐的歌曲。它有更准的大尺寸和更快的小尺寸两种规格,Apache 2.0 许可证允许商用。
- Qwen3-ASR 可以商用吗?
- 可以。Qwen3-ASR 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- Qwen3-ASR 是开源的吗?
- Qwen3-ASR 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 Qwen3-ASR 吗?
- 可以。最小版本 ForcedAligner 0.6B (timestamps) 在 4 位精度下约需 2.12 GB 内存,现代笔记本或中端显卡即可胜任。
- Qwen3-ASR 是什么时候发布的?
- Qwen3-ASR 由 Alibaba Qwen 于 2026年1月29日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- Qwen3-ASR repository and release log (GitHub) github.com
- Qwen3-ASR release blog (Qwen) qwen.ai
- Qwen3-ASR-1.7B model card (Hugging Face) huggingface.co
- Qwen3-ASR technical report (arXiv 2601.21337) arxiv.org
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Whisper large-v3-turbo OpenAI | 810M – 1.54B | – | MIT (宽松) | 6 GB 笔记本或手机 | |
| Parakeet TDT 0.6B v3 NVIDIA | 627M | – | CC BY 4.0 (宽松) | 2.89 GB 笔记本或手机 | |
| Cohere Transcribe Cohere | 2.07B | – | Apache 2.0 (宽松) | 4.75 GB 笔记本或手机 | |
| Nemotron 3.5 Transcribe NVIDIA | 34B 激活 4.3B | 64K | OpenMDW-1.1 (宽松) | 25 GB 游戏显卡 |