Qwen-Audio-3.1-ASR 是阿里云通义千问推出的新一代生成式语音识别模型家族,不是单一模型,一共分出 Flash、Filetrans、Streaming、Message 四个子版本,分别对应离线长文件转写、短音频识别、实时流式字幕、语音消息 / 输入法四大赛道,整体支持 30 门语言 + 16 种中文方言,自带上下文增强、热词定制、标点自动补全、文本归一、转写润色、分角色说话人分离能力,相比老一代 ASR,它最大变化是用生成式架构替代传统 CTC 方案,对口语重复词、语气词、方言混说、中英混杂的识别容错更好,还专门优化了古诗词、文言文本转写;不同子版本延迟、并发、价格差距很大,选型核心就是看你的业务是提前上传音频文件,还是要边说边实时出字,本篇把每个分支能干什么、适合谁、怎么收费一次性拆开讲清楚。
一、四个子版本定位清单
- Flash:通用短音频识别,短录音、稿件、朗诵、诗词内容,追求高文本质量
- Filetrans:长音频离线文件转写,会议录音、通话录音、播客、采访长音频,支持说话人分角色
- Streaming:低延迟流式实时识别,直播字幕、线上会议、实时语音交互,首字延迟低
- Message:面向 IM 语音消息、手机输入法、车载远场交互,强噪声、口语化、多语种出海场景
二、功能特征汇总
- 多语种 + 方言:30 种主流语言,16 个中文方言,支持方言原文输出或者直接转普通话
- 分层热词:P0/P1 两级热词,专业术语、品牌词、行业名词优先命中
- 上下文联动:依托前面转写内容修正后面识别,解决同音混淆
- 自动润色开关:自动删掉重复、口头禅、语气词,理顺语句,不改动核心语义
- 标点 + 归一:自动加标点、数字、时间、地址规范化
- 说话人区分(Filetrans):输出带角色标记、时间戳,区分多人对话
- 噪声鲁棒:Message、Streaming 版本针对远场、背景人声、环境噪音做专项优化
三、综合能力对比简表
| 版本 | 核心能力 | 典型延迟 | 适合音频形态 |
|---|---|---|---|
| Flash | 高质量短音频、诗词文言优化 | 非流式,上传后返回 | 几十秒内短音频、朗诵稿件 |
| Filetrans | 长音频、说话人分离、角色标注 | 离线异步 | 几十分钟~数小时录音 |
| Streaming | 流式逐句上屏、低延迟 | 首字约 160ms | 实时直播、会议字幕 |
| Message | 口语语音消息、输入法、出海多语种 | 准流式,抗噪强 | IM 语音、车载、输入法输入 |
四、各版本应用场景
Flash
文稿朗读、有声素材、诗词古文采集、短视频旁白短片段转写,看重文字通顺度
Filetrans
企业会议纪要、客服通话质检、播客、访谈录音、庭审录音,需要区分谁在发言
Streaming
直播实时字幕、线上会议实时转写、远程问诊、实时同声辅助,对延迟敏感
Message
社交 App 语音转文字、手机输入法语音输入、车载语音录入、东南亚出海 App 语音交互、方言工单录入
五、价格拆解(阿里云百炼原价,不含活动折扣)
| 版本 | 输入价格 | 输出价格 | 计费说明 |
|---|---|---|---|
| Flash / Filetrans | 0.8 元 / 百万 Token | 2.7 元 / 百万 Token | 文件异步转写、短音频,性价比高 |
| Streaming / Message | 6 元 / 百万 Token | 4.5 元 / 百万 Token | 实时流式、消息交互,延迟优先,单价更高 |
补充:计费按音频输入 Token + 文本输出 Token 分开统计,控制台有免费测试额度,企业量大可以申请商务折扣;和老版按时长计费模式不一样,3.1 系列全部改成 Token 计费。
六、选型避坑要点
- 长会议录音优先 Filetrans,不要用 Streaming,流式版本单价贵,长音频成本高很多
- 输入法、微信类语音消息优先 Message,抗噪和口语优化更强
- 只做视频字幕、直播实时字幕,才选 Streaming
- 润色功能会增加输出 Token,拉高费用,不需要润色可以关闭降低成本
- 方言识别不是所有版本能力一致,需要大量方言工单优先测试 Message 版本
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-3.1-ASR 科普,Qwen-Audio-3.1-ASR 是一个模型吗?
回答 1:阿里云 Qwen-Audio-3.1-ASR 科普,它不是单一模型,是一个模型家族,包含 Flash、Filetrans、Streaming、Message 四个子版本,分别适配不同音频业务场景。
问题 2:阿里云 Qwen-Audio-3.1-ASR 科普,Filetrans 版本相比其他版本特殊能力是什么?
回答 2:阿里云 Qwen-Audio-3.1-ASR 科普,Filetrans 主打长音频离线转写,独有工业级说话人分角色能力,输出带时间戳、发言人标记,适合会议、通话录音质检。
问题 3:阿里云 Qwen-Audio-3.1-ASR 科普,Qwen-Audio-3.1-ASR 怎么计费?
回答 3:阿里云 Qwen-Audio-3.1-ASR 科普,采用 Token 计费,Flash、Filetrans 输入 0.8 元 / 百万 Token、输出 2.7 元 / 百万 Token;Streaming、Message 输入 6 元 / 百万 Token、输出 4.5 元 / 百万 Token,和旧版按秒计费不同。
问题 4:阿里云 Qwen-Audio-3.1-ASR 科普,Streaming 和 Message 版本区别在哪?
回答 4:阿里云 Qwen-Audio-3.1-ASR 科普,Streaming 面向直播、会议实时字幕,主打稳定低延迟流式输出;Message 面向语音消息、输入法、车载,重点优化口语噪声、东南亚多语种识别。
【参考资料】
[2026-11-20](阿里云最新 Qwen-Audio-3.1-ASR 科普:模型定位、功能特征、综合能力、应用场景、价格拆解)阿里云开发者社区
[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
[2026-10-30](qwen-audio-3.1-asr-flash 模型信息)阿里云帮助中心
[2026-09-23](Qwen-Audio-3.1 系列语音大模型发布)通义千问官方微博
【免责声明】
以上内容基于阿里云百炼官方文档整理,Qwen-Audio-3.1-ASR 价格为公开原价,活动优惠、商务议价、地域节点价格存在浮动;不同版本识别效果受音频信噪比、口音、采样率影响,正式上线前建议充分压测;本内容仅作为选型科普,不构成 API 采购、业务开发的最终方案承诺。
本文来自作者[浮核侦听]投稿,不代表环球科技潮立场,如若转载,请注明出处:https://www.zennew.com/rgzn/202611/3508.html
评论列表(4条)
我是环球科技潮的签约作者“浮核侦听”!
希望本篇文章《阿里云 Qwen-Audio-3.1-ASR 科普,4 个子版本定位、功能、能力、落地场景、计费价格拆解》能对你有所帮助!
本站[环球科技潮]内容主要涵盖:科技,科技新闻,黑科技
本文概览:Qwen-Audio-3.1-ASR 是阿里云通义千问推出的新一代生成式语音识别模型家族,不是单一模型,一共分出 Flash、Filetrans、Streaming、Message 四个子版本,分别对应离线长文件转写、短音频识别、实时流式字幕、语音消息 输入法四大赛道,整体支持 30 门语言 + 16 种中文方言,自带上下文增强、热词定制、标点自动补全、文本归一、转写润色、分角色说话人分离能力,相比老一代 ASR,它最大变化是用生成式架构替代传统 CTC 方案,对口语重复词、语气词、方言混说、中英混杂的识别容错更好,还专门优化了古诗词、文言文本转写;不同子版本延迟、并发、价格差距很大,选型核心就是看你的业务是提前上传音频文件,还是要边说边实时出字,本篇把每个分支能干什么、适合谁、怎么收费一次性拆开讲清楚。