
引言
语音识别做久了会发现一个规律:通用场景的准确率早就够用了,真正难的是那些"看起来很小"的场景——用户对着输入法说一句带品牌名的短句、客服电话里两个人抢话、方言老人说着本地话要转成普通话工单。这些需求的共同点是:音频短、上下文少、专有词多,传统 ASR 的通用声学模型在这里反而最容易出错。
Qwen-Audio-3.1-ASR-Message 就是针对这一层做的:不用通用转写模型硬扛,而是用生成式识别+可注入的热词与上下文。下面从定位、特征、能力、场景与价格五个层面完整介绍。详情👉访问阿里云百炼大模型服务平台页面 了解。


一、模型定位:面向语音消息与输入法的生成式识别
Qwen-Audio-3.1-ASR-Message(模型 ID qwen-audio-3.1-asr-flash-message)是面向语音消息、输入法和企业业务场景优化的生成式语音识别模型。它不是一个"什么音频都能转"的通用转写引擎,而是把力气压在三个方向:
第一,短语音的高准确率。 语音消息、输入法一句话、客服开场白,这类音频短、上下文少,没有前后文可借,靠的是模型对单句的即时判断。
第二,可定制。 支持 P0/P1 两级热词、业务上下文注入、指定目标语种,把"我们行业的词"提前告诉模型。
第三,多语种覆盖有侧重。 支持中文、英文及多语言,重点优化印尼语、日语、泰语、菲律宾语、越南语、韩语和马来语——从这份清单能看出取向:面向东南亚与东亚市场的出海业务。
同代还有两个兄弟模型,职责完全不同,选型时容易搞混:
| 模型 | 定位 | 输入/输出单价 | RPM | 接入 |
|---|---|---|---|---|
qwen-audio-3.1-asr-flash-message |
语音消息、输入法、企业业务 | 6 元 / 4.5 元(百万 Token) | 1200 | WebSocket、AOQ |
qwen-audio-3.1-asr-flash-filetrans |
长音频离线转写、会议转写 | 0.8 元 / 2.7 元 | 600 | HTTP |
qwen-audio-3.1-asr-flash-streaming |
实时会议、直播字幕 | 6 元 / 4.5 元 | 1200 | WebSocket、AOQ |
一句话记住分工:短句即时识别用 Message,整段文件转写用 Filetrans,实时字幕用 Streaming。
二、核心特征
详情👉访问阿里云百炼大模型服务平台页面 了解。


第一,流式上屏。 边说边出字,是输入法与语音消息的核心体验指标。用户不需要说完等一秒才看到文字,中间结果持续修正,最终结果收敛。
第二,P0/P1 两级热词。 这是它区别于通用 ASR 的关键机制。两级权重意味着可以给不同词不同优先级:品牌名、型号、人名这类必须对的放 P0;行业术语、地名放 P1。复杂与专业场景下的对齐精度,主要靠这一层提升。
第三,文本归一化。 把口语里的"一千二百三十四"、"三点半"、"二零二五年"统一成规范写法,把"嗯、那个"这类口头语处理掉。转写结果直接进下游系统时,归一化能省掉大量清洗工作。
第四,业务上下文识别。 可以结合前文转写结果与业务上下文做判断。同一句话在不同业务里意思可能完全不同——电商场景的"拍"是下单,摄影场景的"拍"是拍照,上下文注入让模型知道自己在哪个场景。
第五,可开关的原生润色。 模型自带润色能力,可以把口语转成更通顺的书面表达,且可开关。要"原话逐字"就关掉,要"可读稿件"就打开。这个开关很实用:客服质检要原话,会议纪要要通顺。
第六,噪声与多人声鲁棒性。 增强了多人声、背景对话、远场及环境噪声下的识别稳定性。远场(比如会议室角落的麦克风)和背景有人说话的场合,是传统 ASR 最容易崩的地方。
第七,语种可控。 支持自动识别或指定目标语种;中文方言可输出方言原文,也可转换为普通话文本。做方言内容存档要原文,做统一工单要普通话,两种都能出。
第八,结构化输出。 在 ASR 系列里它是少数支持结构化输出的模型,便于把识别结果直接组织成字段化数据,减少下游解析。
三、能力拆解:能做好什么,做不好什么
详情👉访问阿里云百炼大模型服务平台页面 了解。


做得好:
- 输入法语音输入:短句、流式上屏、热词纠错。
- IM 语音消息转文字:短音频高准确率,带标点与归一化。
- 智能客服与热线:来电意图识别、地址与单号采集、方言转普通话。
- 出海业务语音交互:东南亚多语种覆盖,语种可指定。
- 企业内部语音工单:业务上下文注入,专业术语对齐。
- 车载与远场语音:噪声鲁棒性较强。
- 方言内容处理:原文输出与普通话转换双模式。
做不好或应换模型的:
- 几十分钟的整段会议录音转写——用
filetrans,单价低一个数量级(0.8 元 vs 6 元),还带说话人分离; - 直播实时字幕的长时流——用
streaming; - 需要精确到词级时间戳的字幕工程(本模型输出为文本,时间戳需另行处理);
- 需要模型做翻译、摘要等后续加工——它是识别模型,不做生成式任务。
一个务实判断:Message 的价值在"短、准、可定制",把它用在长音频上,成本和质量都不划算。
四、适用场景
| 场景 | 说明 | 关键能力 |
|---|---|---|
| 输入法语音输入 | 边说边出字,用户可即时修正 | 流式上屏、热词 |
| 社交语音消息转文字 | 短音频、口语化、带情绪词 | 归一化、标点预测 |
| 客服来电受理 | 采集姓名、地址、单号 | P0 热词、上下文 |
| 出海 App 语音交互 | 东南亚多语种 | 语种指定、多语优化 |
| 企业内部语音填报 | 行业术语多、口音重 | 业务上下文、P1 热词 |
| 车载与智能硬件 | 远场、噪声、多人环境 | 噪声鲁棒性 |
| 方言工单录入 | 老人说方言,系统要普通话 | 方言转普通话 |
| 内容审核与质检 | 需要原话逐字 | 关闭润色 |
五、价格解析:按 Token 计费,输入比输出贵
计费单位为元/百万 Token,按输入、输出分别计价。这一档的特点是输入单价高于输出——因为音频 Token 本身承载的信息密度低于文本。
| 地域 | 模型 | 输入 | 输出 | RPM |
|---|---|---|---|---|
| 华北2(北京) | qwen-audio-3.1-asr-flash-message | 6 元 | 4.5 元 | 1200 |
| 新加坡 | qwen-audio-3.1-asr-flash-message | 6.781 元 | 5.104 元 | 1200 |
对比同代其他 ASR 的口径,能看出价格梯度是怎么设计的:
| 模型 | 输入 | 输出 | 计费口径 | 免费额度 |
|---|---|---|---|---|
| asr-flash-message | 6 元/百万 Token | 4.5 元 | Token | 以控制台为准 |
| asr-flash-filetrans | 0.8 元/百万 Token | 2.7 元 | Token | 以控制台为准 |
| asr-flash-streaming | 6 元/百万 Token | 4.5 元 | Token | 100 万 Token(北京) |
| asr-flash(短语音) | 0.8 元/百万 Token | 2.7 元 | Token | 100 万 Token(北京) |
| asr-flash(旧代 3.0) | 0.00022 元/秒 | 不计费 | 按秒 | 无 |
三个成本结论:
第一,Message 是"高价值短音频"档,不是"便宜量大"档。 6 元的输入价比 filetrans 高 7.5 倍。如果你的音频是整段会议,用 Message 等于多花七倍钱。
第二,按 Token 计费比按秒计费更透明,但也更需要算量。 旧代 3.0 是 0.00022 元/秒,一小时音频约 0.79 元;Message 的 Token 口径要按实际音频 Token 换算,做预算时建议先跑一批样本实测平均值,再乘业务量。
第三,免费额度注意地域限制。 3.1 系列多数免费额度仅限华北2(北京),有效期自开通或模型发布起 90 天。Message 的免费额度以百炼控制台实时展示为准,别按别的模型类推。
省钱的四个实招:
- 音频前置裁剪。 输入法场景大量音频是无效的(按键误触、环境音),客户端做 VAD 过滤,输入量直接降下来。
- 短音频优先走 Message,长音频走 Filetrans。 按音频时长分流,是最有效的一刀。
- 热词不用堆。 P0 控制在必要范围,热词表过大会增加上下文开销,边际收益递减。
- 润色按需开。 下游要原话就别开润色,少一层输出处理。
详情👉访问阿里云百炼大模型服务平台页面 了解。


六、接入示例
WebSocket 建立连接并注入热词与上下文(参数名以最新 API 参考为准):
import os, json, asyncio, websockets
async def main():
url = "wss://{workspace-id}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference"
headers = {
"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}"}
async with websockets.connect(url, additional_headers=headers) as ws:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"model": "qwen-audio-3.1-asr-flash-message",
"format": "pcm",
"sample_rate": 16000,
"hot_words": [
{
"text": "云栖大会", "weight": "P0"},
{
"text": "百炼", "weight": "P0"},
{
"text": "轻量应用服务器", "weight": "P1"},
],
"context": "场景:电商客服来电,用户可能报订单号与收货地址",
"polish": False, # 关闭润色,输出原话
"language": "zh", # 指定语种;不传则自动识别
},
}))
# 随后持续推送 audio 帧,接收中间与最终识别结果
asyncio.run(main())
移动端与弱网场景建议改用 AOQ 接入,它在实时降噪与回声消除上更有优势。
七、使用注意事项
第一,别把长音频喂给 Message。七倍单价差不是小数目,且长音频用 Filetrans 还能拿到说话人分离。
第二,热词分级要克制。P0 只放"错一个字就出事"的词,其余进 P1;全塞 P0 会稀释权重。
第三,润色开关决定交付形态。客服质检、法务录音要逐字稿,务必关掉;会议纪要、工单描述可以打开。
第四,方言输出模式要事先定。存档类内容保原文,系统录入转普通话,两种结果不能混用同一套下游逻辑。
第五,RPM 1200 看着宽裕,但 WebSocket 的计数口径是连接请求,频繁断连重连会快速消耗;保持长连接、复用会话更划算。
第六,涉及通话录音、语音消息的采集与转写,需遵守告知与授权要求,识别能力不等于数据处理合规。
结语
Qwen-Audio-3.1-ASR-Message 的定位很清楚:把"短、专、杂"的语音识别做好。短是流式上屏,专是 P0/P1 热词与业务上下文,杂是多语种、方言、远场噪声。它的价格也诚实地反映了这一点——比长音频转写贵,但换来的是单句准确率和可定制性。判断是否接入,拿三批真实数据试:一批带品牌名的输入法短句、一批东南亚语种语音消息、一批带口音方言的客服来电。三批的准确率与归一化效果都过关,就值得替换现有 ASR 链路。