
引言
语音识别发展到现在,"普通话新闻播报"这类标准场景早就没什么难度了。真正难的是那些"不规范"的音频:老人念一首古诗、方言访谈里夹着普通话、四五个人围着一支麦克风抢话、讲稿里有生僻的专有名词。
Qwen-Audio-3.1-ASR(模型 ID qwen-audio-3.1-asr-flash)就是往这些方向做的。它不是"什么音频都吃"的通用转写引擎,而是把力气压在短语音精度、多语种方言、文化内容、多人对话分角色这几件事上。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:短语音高效识别,面向质量与文化内容
官方对它的定位描述很明确:一款支持短语音高效识别的模型,面向高质量、多语种及文化内容转写场景。几个关键词值得拆开看:
"短语音":它面向的是单段音频,不是几十分钟的长录音。这个定位从上下文规格就能看出来——最大输入 7168 Token、最大输出 1024 Token、上下文长度 8192 Token。按音频 Token 的常规密度推算,这大致对应单段数分钟以内的音频。超过这个量级,应当改用长音频转写模型。
"高质量":强调的不只是字准,而是标点、断句、数字与单位规范化这些"成品可读性"指标。
"文化内容":这是它最有辨识度的地方——针对中文古诗词的韵律、节奏与文言表达做了优化。古诗朗读的难点在断句与韵脚,通用 ASR 往往把"白日依山尽"切成"白日依山,尽",或者干脆听错同音字。详情👉访问阿里云百炼大模型服务平台页面 了解。


同代共有四个 ASR 模型,职责边界要分清:
| 模型 | 面向场景 | 输入/输出单价 | RPM | 接入方式 |
|---|---|---|---|---|
asr-flash(本文主角) |
短语音、文化内容、多人对话 | 0.8 / 2.7 元 | 600 | HTTP API |
asr-flash-filetrans |
长音频离线转写、会议 | 0.8 / 2.7 元 | 600 | HTTP API |
asr-flash-streaming |
实时会议、直播字幕 | 6 / 4.5 元 | 1200 | WebSocket、AOQ |
asr-flash-message |
语音消息、输入法、企业业务 | 6 / 4.5 元 | 1200 | WebSocket、AOQ |
一句话记:要便宜+要质量,走 ASR / Filetrans;要实时,走 Streaming / Message。 前两者单价只有后两者的七分之一左右,差距非常明显。
二、核心特征
第一,短音频高精度。 面向单段音频做整体建模,不是逐帧拼接的流式方案,因此在标点、断句、语气判断上有更完整的上下文可用。非实时 HTTP 调用,一次返回完整结果,适合"先把音频拿到手再转"的场景。
第二,多语种与多地区方言。 支持多语种识别,中文覆盖多个地区方言。这对访谈、口述史、地方资讯类内容很关键——受访者说方言、记者说普通话,同一段音频里要都能转。
第三,方言可控输出(ASR/AST)。 这一版支持多种方言的 ASR/AST 可控输出:ASR 是把方言转成方言原文,AST 是转成目标语言文本(如普通话或英文)。同一段音频,要存档就保原文,要统一稿件就转普通话。
第四,古诗词与文言优化。 针对韵律、节奏与文言表达优化,能较好地还原诗句断句与韵脚。做诗词赏析、国学课程、文化类短视频的字幕,这条能力很实用。
第五,上下文增强。 可以注入上下文信息,让模型知道"这段音频在讲什么",从而纠正专有名词、人名、术语。这是把通用模型变成"行业模型"的低成本手段。
第六,标点预测与文本规范化。 自动加标点、分段;把"二〇二五"、"三点半"、"一百八十块"统一成规范写法;口语赘词做处理。转写结果可以直接进下游系统,不必再做一轮清洗。
第七,原生润色能力。 模型自带转写润色,可以把口语整理成更通顺的书面表达。
第八,工业级多人对话分角色转写。 这是它与多数 ASR 的显著差异:多人对话场景下能做分角色转写,把不同说话人的内容区分开。会议、访谈、播客、客服录音都直接受益。
第九,能力边界清晰。 不支持 Function Calling、结构化输出、联网搜索、前缀续写、上下文缓存、批量推理与模型调优。它是识别工具,不是对话模型——设计流程时别按聊天模型的方式用。详情👉访问阿里云百炼大模型服务平台页面 了解。


三、能力拆解:能做好什么,做不好什么
做得好:
- 访谈与口述转写:单段数分钟音频,多方言混合,分角色输出。
- 会议录音整理:多人对话分角色,带标点与分段,直接出纪要底稿。
- 文化内容字幕:古诗词、文言、传统戏曲唱词的断句与用字。
- 方言内容归档:原文输出与普通话转换双模式。
- 课程与讲座转写:术语上下文注入,专业词准确率高。
- 播客与自媒体:多人对谈转文字稿,规范化程度高。
- 客服录音抽检:短音频批处理,成本低。
做不好或应换模型的:
- 超过上下文上限的长录音(几十分钟以上)——改用
filetrans,单价相同但专为长音频设计; - 需要边说边出字的实时字幕——改用
streaming; - 输入法、IM 语音消息这类需要流式上屏的短交互——改用
message; - 需要模型顺带做摘要、翻译成多语、问答——它是识别模型,后续加工交给文本模型;
- 需要词级时间戳的字幕工程——输出为文本,时间轴对齐需后期处理。
一个务实判断:它的性价比集中在"离线、单段、要质量"这个区间。把实时需求交给它,会既不快也不省。详情👉访问阿里云百炼大模型服务平台页面 了解。


四、适用场景
| 场景 | 说明 | 关键能力 |
|---|---|---|
| 记者访谈整理 | 方言+普通话混合 | 多方言、分角色 |
| 会议录音转纪要底稿 | 多人抢话、远场 | 分角色转写 |
| 国学/诗词课程字幕 | 断句与韵脚 | 古诗词优化 |
| 方言纪录片归档 | 原文与译文双版本 | ASR/AST 可控 |
| 讲座与培训转写 | 专业术语多 | 上下文增强 |
| 播客文字稿 | 双人对谈 | 分角色、标点预测 |
| 客服录音抽检 | 短音频、量大 | 低单价、HTTP 批量 |
| 内容审核 | 需要原话逐字 | 关闭润色 |
五、价格解析:双端 Token 计费,单价是同代实时款的一/七
计费单位为元/百万 Token,按输入与输出分别计价:
| 地域 | 输入 | 输出 | RPM |
|---|---|---|---|
| 华北2(北京) | 0.8 元/百万 Token | 2.7 元/百万 Token | 600 |
| 新加坡 | 1.094 元/百万 Token | 3.427 元/百万 Token | 600 |
这个价格结构有两个值得注意的点:
第一,输出单价比输入高约 3.4 倍。 音频 Token 密度高、单段音频的 Token 量不小,但转写文本的输出 Token 相对少;实际总成本里输入侧往往占大头。
第二,它是同代最便宜的一档。 与 streaming/message 的 6 元输入相比,0.8 元只有七分之一。这意味着:能用离线批处理解决的,就不要用实时流式,成本差一个数量级。
免费额度要看清。 模型价格页在华北2(北京)标注有 100 万 Token 免费额度(有效期自开通或模型发布起 90 天),而部分模型详情页显示免费额度"不支持开启"。两处口径存在差异,接入前请以百炼控制台的实时显示为准,不要按其他模型的额度类推。
与旧代的对比也值得知道:qwen-audio-3.0-asr-flash 是按音频秒数计费,0.00022 元/秒(输出不计费),折合一小时音频约 0.79 元。3.1 改为 Token 计费,好处是长短音频成本更贴近实际算力消耗,坏处是预算需要先实测换算。做成本测算时,建议先跑 20–30 条真实样本,算出"每分钟音频的平均 Token 消耗",再乘业务量。
省钱的五个实招:
- 音频前置裁剪:切掉静音段与无效开头结尾,输入量直接下降。
- 按长度分流:单段数分钟内走 ASR,长录音走 Filetrans,实时需求才走 Streaming/Message。
- 上下文增强精准注入:只放必要的人名、术语,不要塞整份文档,否则输入 Token 白涨。
- 润色按下游需要开关:要原话(质检、法务)就关,要可读稿就开。
- 批量走排队而非并发:RPM 600 看似宽裕,同步并发硬顶会触发限流,反而更慢。
六、接入示例
非实时 HTTP 调用,一次返回完整识别结果:
curl --location --request POST \
'https://{workspace-id}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "Content-Type: application/json" \
--header "X-DashScope-SSE: disable" \
--data '{
"model": "qwen-audio-3.1-asr-flash",
"input": {
"messages": [{
"role": "user",
"content": [{
"type": "input_audio",
"input_audio": {"data": "[https://example.com/interview.wav](https://example.com/interview.wav)"}
}]
}]
},
"parameters": {
"format": "wav",
"sample_rate": "16000"
}
}'
批量转写脚本示例:
import requests, os, json
BASE = "https://{workspace-id}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation"
HEADERS = {
"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}",
"Content-Type": "application/json",
"X-DashScope-SSE": "disable",
}
def transcribe(url):
payload = {
"model": "qwen-audio-3.1-asr-flash",
"input": {
"messages": [{
"role": "user", "content": [
{
"type": "input_audio", "input_audio": {
"data": url}}]}]},
"parameters": {
"format": "wav", "sample_rate": "16000"},
}
r = requests.post(BASE, headers=HEADERS, json=payload, timeout=120)
return r.json()
for url in audio_urls: # 建议串行或小并发,避免触发 RPM 限流
print(json.dumps(transcribe(url), ensure_ascii=False))
详情👉访问阿里云百炼大模型服务平台页面 了解。


七、使用注意事项
第一,注意上下文上限。最大输入 7168 Token、输出 1024 Token,超出会被截断。长录音务必切段或改用 filetrans。
第二,音频参数要对齐。16kHz、wav 是常规推荐组合,采样率不匹配会明显掉准确率。
第三,分角色结果要复核。多人抢话、重叠语音处,角色归属仍可能错位,重要场景需人工抽检。
第四,方言模式要事先定。原文输出与转普通话是两种结果,下游字段设计不能混用。
第五,润色能力影响"逐字稿"属性。质检、法务、审计类场景必须关闭润色,保留原始表达。
第六,音频采集与转写涉及个人信息,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 的价值可以用一句话概括:在离线短音频这个区间,用最低的单价拿到带标点、带角色、带规范化的高质量文本。 古诗词优化、方言可控输出、分角色转写、上下文增强这四项,是它区别于通用 ASR 的地方。判断是否接入,拿三批真实音频试:一段方言访谈、一段四人会议录音、一段古诗朗读。三批的准确率、断句与角色归属都过关,就值得替换现有转写链路。