Qwen3-ASR 和 Qwen3-ForcedAligner 发布

Qwen 已开源 Qwen3-ASR 和 Qwen3-ForcedAligner 模型系列，推出高性能的多语言语音识别和精确时间戳对齐工具。这些模型利用 Qwen3-Omni 基础模型的音频理解能力，实现对数十种语言和方言的稳健转录与对齐。

Qwen3-ASR：多语言语音识别

Qwen3-ASR 包含两个一体化模型，Qwen3-ASR-1.7B 和 Qwen3-ASR-0.6B，将语言识别与自动语音识别（ASR）合并到同一流水线中。

关键能力与语言支持

两款模型均支持 30 种语言和 22 种中文方言，包括来自不同国家和地区的英语口音。支持的语言包括中文（zh）、英语（en）、粤语（yue）、阿拉伯语（ar）、德语（de）、法语（fr）、西班牙语（es）、葡萄牙语（pt）、印尼语（id）、意大利语（it）、韩语（ko）、俄语（ru）、泰语（th）、越南语（vi）、日语（ja）、土耳其语（tr）、印地语（hi）、马来语（ms）、荷兰语（nl）、瑞典语（sv）、丹麦语（da）、芬兰语（fi）、波兰语（pl）、捷克语（cs）、菲律宾语（fil）、波斯语（fa）、希腊语（el）、匈牙利语（hu）、马其顿语（mk）和罗马尼亚语（ro）。

性能与基准

Qwen3-ASR-1.7B 定位为高性能变体，在开源 ASR 模型中实现了业界领先（SOTA）水平，并且在与商业闭源 API 的竞争中保持优势。

  • 英语： 在覆盖 16 个国家口音的内部测试集上，超越 GPT-4o Transcribe、Gemini 系列、豆包 ASR 和 Whisper-large-v3。
  • 多语言： 在 20 种主流语言上超越现有开源模型，取得最佳平均词错误率（WER）。
  • 中文及方言： 在普通话、粤语以及 22 种地区方言上领先商业 API 与开源模型。
  • 鲁棒性： 在儿童或老年人语音、以及极低信噪比（SNR）环境等挑战场景下保持低字符/词错误率。
  • 歌唱语音： 支持带背景音乐（BGM）的中英文整曲转录，平均 WER 分别为 13.91%（中文）和 14.60%（英文）。

效率与吞吐量

Qwen3-ASR-0.6B 针对精度‑效率平衡进行优化。在并发度为 128 的在线异步模式下，能够在 1 秒内转录 2,000 秒的音频（相当于 5 小时语音），并实现首 token 响应时间低至 92 ms。

Qwen3-ForcedAligner：精确时间戳预测

Qwen3-ForcedAligner-0.6B 是一种基于大语言模型的非自回归（NAR）时间戳预测器，专用于对齐文本‑语音对。

技术规格

  • 语言支持： 支持 11 种语言。
  • 容量： 可为最长 5 分钟的语音中的任意单元预测时间戳。
  • 性能： 在时间戳精度、语言覆盖范围和支持的音频时长方面，均优于基于端到端（E2E）的强制对齐模型，如 Nemo-Forced-Aligner、WhisperX 和 Monotonic-Aligner。

部署与框架

为促进社区使用，Qwen 发布了基于 Apache 2.0 许可证的完整推理‑微调框架。该工具包支持：

  • 基于 vLLM 的批量推理
  • 异步服务
  • 流式推理
  • 时间戳预测
  • 使用单一模型实现统一的离线与流式推理
  • 对单个最长 20 分钟的长音频文件进行转录

Sources