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。

进一步了解 Apache 2.0

延伸阅读

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。

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