AIPress.com.cn报道
1月29日消息，阿里通义团队近日宣布正式开源 Qwen3-ASR 系列语音识别模型，包括 Qwen3-ASR-1.7B、Qwen3-ASR-0.6B 以及语音强制对齐模型 Qwen3-ForcedAligner-0.6B。该系列模型面向多语言、高稳定性与流式推理场景设计，支持多种部署形态，并同步开放模型权重与推理框架。
据介绍，Qwen3-ASR 系列基于自研 AuT 语音编码器与 Qwen3-Omni 多模态基座模型构建，可覆盖 52 个语种及方言的语种识别与语音识别任务。其中，Qwen3-ASR-1.7B 在中文、英文、中文口音、歌唱识别及强噪声环境下表现突出，在多项公开与内部评测中达到当前开源模型的最优水平；Qwen3-ASR-0.6B 则在性能与效率之间取得平衡，面向高并发与实时服务场景。
在效率方面，Qwen3-ASR-0.6B 模型在异步推理模式下，128 并发条件中可实现约 2000 倍吞吐能力，10 秒内处理超过 5 小时音频。两款 ASR 模型均支持流式与非流式一体化推理，单次最长可处理 20 分钟音频。
此次同步开源的 Qwen3-ForcedAligner-0.6B 强制对齐模型，采用非自回归大模型推理方式，支持 11 个语种的高精度时间戳预测。官方评测显示，其时间戳对齐精度在多项基准中超过 WhisperX、NeMo-ForcedAligner 等主流方案，同时保持较高推理效率。
在配套工具层面，通义团队同时开源了一套完整的推理与微调框架，支持基于 vLLM 的批量推理、异步服务、流式识别及时间戳预测，面向研究与产业应用提供统一工具链。
