资料摘要：Qwen-Audio-3.0-ASR-Flash

文章摘要更新 2026-08-06置信度 high待阅读原始来源 ↗#音频理解#语音识别#工具#易过时

阿里云百炼于 2026-07-30 发布的新一代托管 ASR 服务族：同一产品线分成实时 Streaming、长文件 Filetrans 与短文件同步 Flash 三个端点，覆盖 30 种语言、七大中文方言群及多种地域口音，并以 prompt context 与热词强化专业术语识别。

原始网页快照：🔒 Qwen-Audio-3.0-ASR-Flash 官方模型说明

核心要点

三个服务端点：qwen-audio-3.0-asr-flash-streaming 面向实时字幕/助手；...-filetrans 面向最长 12 小时文件和说话人分离；...-flash 面向最长 5 分钟的同步识别。
专业词增强：三个端点都支持热词与 prompt context；前者提供加权词表，后者按请求注入领域、实体和格式背景。
中文覆盖更细：官方列出普通话、粤语、吴语、闽语、客家话、赣语、湘语、晋语及多种区域口音；发布说明概括为七大方言群与 20 多种地域口音。
多语种：支持 30 种语言，包括中、英、日、韩、越、泰、印尼、马来、菲律宾、印地、阿拉伯及多种欧洲语言。
中文文本优化：发布说明特别强调古诗文识别、标点预测与 inverse text normalization，可把数字、日期和金额整理成标准书写格式。
结果能力不完全一致：只有 Filetrans 明确支持 speaker diarization；三个新端点均不支持情感识别，而旧 qwen3-asr-flash* 系列支持情感识别。
产品文档不是技术报告：官方没有公开参数量、模型架构、训练数据、WER/CER 表格或推理成本，因此不能从“3.0”名称推断它等同于 Qwen3-ASR 开源模型的简单升级。

模型 ID	模式/API	时长与输入	说话人分离	典型场景
`qwen-audio-3.0-asr-flash-streaming`	实时 / WebSocket	二进制流，时长不限	不支持	直播字幕、语音助手、会议实时转写
`qwen-audio-3.0-asr-flash-filetrans`	离线异步 / HTTP	公网文件 URL，≤2 GB、≤12 小时	支持	录音归档、播客、访谈、区分发言人
`qwen-audio-3.0-asr-flash`	离线同步 / HTTP	URL/Base64，≤2 GB、≤5 分钟	不支持	短语音、接口迁移、单次快速转写

Streaming 接受 PCM、WAV、MP3、Opus、Speex、AAC、AMR 等格式且可由服务端处理任意采样率；Filetrans/Flash 接受更广的常见音视频容器。长文件开启 speaker diarization 时，官方建议单文件控制在 2 小时以内。

官方同一模型目录把两代服务分开列出：

因此新名称应被视为一条独立的云服务产品线，而不是 qwen3-asr-flash 的别名。它与 Qwen3-ASR 在底座、训练集或架构上的精确继承关系，官方当前没有披露。

部署边界：现有资料描述的是阿里云 Model Studio 托管 API，没有开放权重、本地部署或离线运行说明。
评测缺口：发布页只给能力描述，未公开 WER/CER、延迟、价格—精度曲线和对照基线，无法独立判断“3.0”相对旧代的平均提升幅度。
接口差异会影响选型：实时流、长文件和短文件不仅时长不同；是否支持 speaker diarization、输入方式及 SDK 也不同，不能只按“Flash 更快”理解。
文档易过时：稳定模型 ID、地域可用性、限额和支持格式都可能更新，调用前应回查官方模型目录与 API 文档。

官方发布时间：2026-07-30。
模型 ID：qwen-audio-3.0-asr-flash-streaming、qwen-audio-3.0-asr-flash-filetrans、qwen-audio-3.0-asr-flash。
语言：30 种；中文覆盖七大方言群与 20 多种地域口音。
Filetrans：最长 12 小时、2 GB，支持 speaker diarization；开启说话人分离时建议不超过 2 小时。
Flash：最长 5 分钟、2 GB；Streaming：时长不限。