Qwen-Audio-3.1-ASR 技术报告

Qwen-Audio-3.1-ASR 新增说话人分离转写与通用音频理解。

资讯摘要

论文提出 Qwen-Audio-3.1-ASR 系列音频语言模型，在前代 Qwen-Audio-3.0-ASR 基础上改进语音识别，并扩展说话人分离转写与通用音频理解能力。该系列保留 30 种语言和 16 种中文方言支持，提供历史上下文条件、分层热词定制与原生转写润色等指令控制功能；说话人分离转写输出含说话人标签、时间戳和文本的结构化结果。系列还按部署需求提供异步文件转写、低延迟流式、交互式语音输入和非流式识别等变体。

要点速读

1. 论文提出 Qwen-Audio-3.1-ASR 系列，支持 30 种语言和 16 种中文方言。
2. 说话人分离转写输出说话人标签、时间戳与识别文本，并保持跨轮次标签一致、表示重叠语音。
3. 通用音频理解覆盖音频、语音、音乐描述、时间定位、声音事件检测及音频问答与多选推理；系列含异步文件转写、低延迟流式、交互式语音输入和非流式识别等变体。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。