您的位置首页 >人工智能 >

阿里云 Qwen-Audio-3.1-ASR 语音识别大模型全解析,看懂定位、特征、能力、场景与调用价格

阿里云 Qwen-Audio-3.1-ASR 是通义千问音频系列新一代生成式语音识别模型,不是单一版本,而是分成 Flash、Filetrans、Streaming、Message 四个子变体,分别对应短音频、长文件转写、实时流式、语音消息输入四类业务,支持 30 门语种、16 种中文方言,相比上一代 3.0 版本,重点强化多人分角色转写、噪声环境识别、方言可控输出和文本自动润色,全部在阿里云百炼 Model Studio 开放 API 调用,很多开发者容易混淆四个版本,拿实时流式版本去跑长录音文件,不仅成本更高,识别稳定性也达不到预期。这套模型家族统一采用端到端生成式 ASR 架构,自带标点自动补全、文本归一化、热词增强、上下文记忆能力,还专门针对古诗词、文言内容做了识别优化,方言可以选择输出方言原文,或者直接转成普通话文本,远场、多人重叠说话、背景噪音比较大的音频也能稳住识别效果。四个版本分工清晰,Filetrans 适合会议录音、客服通话这类长时间音频批量转写,Streaming 主打低延迟实时字幕、直播、线上会议,Message 偏向 IM 语音消息、输入法语音输入,基础 Flash 适合短片段、素材文案提取。计费统一按照 Token 计费,不同版本单价差异明显,国内华北节点价格更低,海外新加坡节点定价上浮,新用户还有基础免费额度可以拿来测试。下面把版本定位、核心特征、能力清单、适用场景、计费价格整理清楚。

四个子版本定位对比表

版本名称定位核心侧重适合音频类型
Qwen-Audio-3.1-ASR-Flash基础短音频版性价比、古诗词文言优化短语音片段、素材音频
Qwen-Audio-3.1-ASR-Flash-Filetrans长文件离线转写版长音频、说话人分离、降噪会议录音、通话录音、播客长音频
Qwen-Audio-3.1-ASR-Flash-Streaming实时流式版低延迟、边说边转直播字幕、线上会议、实时交互
Qwen-Audio-3.1-ASR-Flash-Message语音消息输入法版远场噪声、多语种东南亚语种优化聊天语音、输入法语音输入

Qwen-Audio-3.1-ASR 核心特征

  1. 多语种方言覆盖:支持 30 种语言,16 种国内方言,东南亚语种(日语、泰语、越南语、印尼语等)识别做专项优化
  2. 说话人分角色:支持区分不同发言人,输出带时间戳、说话人标签的结构化转写文本
  3. 可控方言输出:方言识别二选一,保留方言原文或者自动翻译成普通话
  4. 热词与上下文增强:支持 P0/P1 优先级热词,能参考前面的转写内容提升识别准确率
  5. 文本自动处理:自动加标点、数字归一化、可选开启转写润色
  6. 强噪声鲁棒:多人重叠说话、远场收音、背景嘈杂环境下识别稳定性提升

能力清单

  • 基础识别:语音转文字,自动语种检测
  • 高级能力:说话人分离、时间戳输出、热词定制、上下文记忆、文本归一化
  • 特殊优化:古诗词、文言文识别增强
  • 输入:音频流 / 音频文件;输出:纯文本或者带说话人信息的结构化文本
  • 部署渠道:阿里云百炼 Model Studio,国内、新加坡区域可用
  • 限制:不支持 Function Calling、联网搜索、模型微调

适用场景

  • 企业会议、客服质检:优先 Filetrans 长文件版本,批量转写通话录音、会议纪要
  • 直播、线上课堂、实时字幕:优先 Streaming 流式版本,低延迟输出字幕
  • APP 语音消息、输入法语音输入:优先 Message 版本,适配碎片化短语音
  • 短视频素材、有声内容、诗词音频提取:基础 Flash 版本,性价比最高

国内华北节点原价表(Token 计费)

版本输入单价输出单价
Flash / Filetrans0.8 元 / 百万 Token2.7 元 / 百万 Token
Streaming / Message6 元 / 百万 Token4.5 元 / 百万 Token

选型避坑要点

  • 误区 1:所有场景都用 Streaming 版本。流式版本单价更高,长音频批量转写选 Filetrans 更省钱
  • 误区 2:方言识别只能输出普通话。支持配置参数,保留方言原文输出
  • 误区 3:和老版 3.0 一样按秒计费。3.1 系列改为 Token 计费,不再按音频时长计费
  • 误区 4:自动润色默认开启。润色是可开关功能,需要保留原始口述内容时可以关闭

整体结论

Qwen-Audio-3.1-ASR 是一套多分支的语音识别模型家族,用不同版本适配实时、长文件、消息输入等不同业务,相比前代在方言、分角色、嘈杂音频识别上提升明显,开发者选型优先看音频是实时流还是离线文件,再对照 Token 价格控制调用成本,上线前先用免费额度测试热词、方言配置效果。

【相关 FAQ】

问题 1:阿里云 Qwen-Audio-3.1-ASR 大模型是什么,有几个子版本?

回答 1:阿里云 Qwen-Audio-3.1-ASR 是通义千问新一代生成式语音识别大模型,一共包含 Flash、Filetrans、Streaming、Message 四个子版本,分别适配不同音频业务。

问题 2:阿里云 Qwen-Audio-3.1-ASR 大模型核心能力包含哪些?

回答 2:阿里云 Qwen-Audio-3.1-ASR 大模型支持 30 语种 + 16 种中文方言识别、说话人分角色转写、热词增强、上下文识别、标点归一化,还针对古诗词文言做识别优化。

问题 3:阿里云 Qwen-Audio-3.1-ASR 大模型各个版本适合什么场景?

回答 3:Flash 适合短音频素材;Filetrans 适合会议、通话长录音批量转写;Streaming 适合直播、会议实时字幕;Message 适合 APP 语音消息、输入法语音输入。

问题 4:阿里云 Qwen-Audio-3.1-ASR 大模型怎么计费,和 3.0 版本计费方式一样吗?

回答 4:阿里云 Qwen-Audio-3.1-ASR 大模型按 Token 计费,Flash、Filetrans 输入 0.8 元 / 百万 Token,Streaming、Message 输入 6 元 / 百万 Token;老版 3.0 是按音频秒数计费,两者计费模式不同。

【参考资料】

[2026-11-18](阿里云百炼 Qwen-Audio-3.1-ASR 系列定价汇总)阿里云帮助中心

[2026-11-06](qwen-audio-3.1-asr-flash-streaming 模型信息)阿里云帮助中心

[2026-11-06](qwen-audio-3.1-asr-flash-message 模型信息)阿里云帮助中心

[2026-11-06](qwen-audio-3.1-asr-flash-filetrans 模型信息)阿里云帮助中心

[2026-10-10](qwen-audio-3.1-asr-flash 模型信息)阿里云帮助中心

【免责声明】

本文为阿里云 Qwen-Audio-3.1-ASR 公开文档信息整理,展示价格为国内华北节点原价,新加坡海外节点、限时优惠、代金券折扣以百炼控制台实时页面为准;模型识别效果受音频清晰度、背景噪音、语种方言、热词配置影响,模型能力、计费规则、参数开关存在后续调整可能,不构成项目接入、采购的确定性建议。