全部產品
Search

搜尋本產品

    Alibaba Cloud Model Studio：語音辨識

    文件中心

    Alibaba Cloud Model Studio：語音辨識

    更新時間：Aug 26, 2026

    選擇適合即時語音辨識、錄音檔案識別等情境的模型。

    從閉源模型遷移到百鍊?

    如果你正在使用 Whisper、Deepgram 或 Google 的語音辨識服務，可參考下表選擇對應的百鍊模型。

    使用情境

    閉源模型代表

    百鍊推薦

    即時識別

    Deepgram Nova-3、Google Chirp 3

    qwen-audio-3.0-asr-flash-streaming

    非即時 / 檔案轉寫

    OpenAI gpt-4o-transcribe、Whisper

    qwen-audio-3.0-asr-flash-filetrans、qwen-audio-3.0-asr-flash

    本文按“先選維度、再看模型”的順序協助您完成選型：先從“選型決策維度”（即時/非即時、專業術語、說話人分離、情感識別）確認情境；再到“推薦模型”查看針對各情境的首選；如需更多版本可在“所有模型”按系列展開；最後到“音頻規格”核對輸入檔案約束。各模型支援的語言（含方言）隨附在“所有模型”的各系列子節內。

    選型決策維度

    從以下 4 個維度逐項確認，每個維度都會推薦適配的模型。

    即時還是非即時？

    即時是指在使用者說話的同時輸出識別結果，非即時是指錄音結束後再進行轉寫。

    • 即時（即時語音辨識）：基於WebSocket協議，音頻流式輸入，文字資料流式輸出。適用於即時字幕、語音助手和會議轉寫。推薦使用 qwen-audio-3.0-asr-flash-streaming（熱詞、Prompt上下文、多語種及方言）。
    • 非即時（錄音檔案識別）：基於HTTP協議，提交音頻檔案擷取識別結果。適用於話務中心錄音、播客和訪談等情境。推薦使用 qwen-audio-3.0-asr-flash-filetrans（熱詞、Prompt上下文、說話人分離）。

    Qwen-Audio-3.0-ASR-Flash-Streaming 和 Fun-ASR-Realtime 系列模型還支援通過 AOQ 協議接入；如果是用戶端對接，且更看重穩定的延遲、弱網下的互動能力、即時雙工的降噪與回聲消除，可優先考慮 AOQ，協議對比與選型請參見Realtime API 概述。

    Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans，以及 Fun-ASR 和 Qwen-ASR 的即時模型支援通過 DashScope SDK（Java、Python）接入。其他模型需根據對應的 WebSocket 或 HTTP 協議直接調用。

    選擇即時接入請參考即時語音辨識，選擇非即時接入請參考非即時語音辨識。

    處理專業術語

    兩種方式，按靈活性排序：

    1. Prompt上下文注入：在系統提示詞中描述您的領域背景，無需預配置。模型在每次請求時自適應。推薦使用 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型。
    2. 熱詞：提供帶權重的詞彙表。推薦使用 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型。

    說話人分離

    Qwen-Audio-3.0-ASR-Flash-Filetrans 系列（qwen-audio-3.0-asr-flash-filetrans）以及 Fun-ASR 系列的非即時模型（fun-asr、fun-asr-mtl）支援說話人分離。如果您需要區分“誰說了什麼”，推薦使用 qwen-audio-3.0-asr-flash-filetrans。

    情感識別

    Qwen-ASR 系列模型在轉寫的同時支援情感識別。推薦使用 qwen3-asr-flash-realtime（即時）或 qwen3-asr-flash-filetrans（非即時）。

    推薦模型

    以下為各情境下最推薦的模型，可前往模型廣場查看詳情。

    模型ID

    模式

    API

    精度增強

    情感識別

    說話人分離

    支援語言

    音頻最大時間長度/大小

    qwen-audio-3.0-asr-flash-streaming

    即時

    WebSocket

    熱詞、Prompt上下文

    不支援

    不支援

    多語種及方言

    無限制

    qwen-audio-3.0-asr-flash-filetrans

    非即時

    HTTP

    熱詞、Prompt上下文

    不支援

    支援

    多語種及方言

    12小時 / 2GB

    所有模型

    Qwen-Audio-3.0-ASR-Flash-Streaming

    模型ID

    模式

    API

    精度增強

    情感識別

    說話人分離

    支援語言

    音頻最大時間長度/大小

    qwen-audio-3.0-asr-flash-streaming

    即時

    WebSocket

    熱詞、Prompt上下文

    不支援

    不支援

    多語種及方言

    無限制

    支援的語言（按版本）：

    • qwen-audio-3.0-asr-flash-streaming：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語

    Qwen-Audio-3.0-ASR-Flash-Filetrans

    模型ID

    模式

    API

    精度增強

    情感識別

    說話人分離

    支援語言

    音頻最大時間長度/大小

    qwen-audio-3.0-asr-flash-filetrans

    非即時

    HTTP

    熱詞、Prompt上下文

    不支援

    支援

    多語種及方言

    12小時 / 2GB

    支援的語言（按版本）：

    • qwen-audio-3.0-asr-flash-filetrans：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語

    Qwen-Audio-3.0-ASR-Flash

    模型ID

    模式

    API

    精度增強

    情感識別

    說話人分離

    支援語言

    音頻最大時間長度/大小

    qwen-audio-3.0-asr-flash

    非即時

    HTTP

    熱詞、Prompt上下文

    不支援

    不支援

    多語種及方言

    5分鐘 / 2GB

    支援的語言（按版本）：

    • qwen-audio-3.0-asr-flash：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語

    Fun-ASR

    模型ID

    模式

    API

    精度增強

    情感識別

    說話人分離

    支援語言

    音頻最大時間長度/大小

    fun-asr-realtime

    即時

    WebSocket

    熱詞

    不支援

    不支援

    多語種及方言

    無限制

    fun-asr-realtime-2026-02-28

    即時

    WebSocket

    熱詞

    不支援

    不支援

    中、英、日及方言

    無限制

    fun-asr-realtime-2025-11-07

    即時

    WebSocket

    熱詞

    不支援

    不支援

    多語種及方言

    無限制

    fun-asr-realtime-2025-09-15

    即時

    WebSocket

    熱詞

    不支援

    不支援

    中、英

    無限制

    fun-asr-flash-8k-realtime

    即時

    WebSocket

    熱詞

    不支援

    不支援

    中文

    無限制

    fun-asr-flash-8k-realtime-2026-01-28

    即時

    WebSocket

    熱詞

    不支援

    不支援

    中文

    無限制

    fun-asr

    非即時

    HTTP

    熱詞

    不支援

    支援

    多語種及方言

    12小時 / 2GB

    fun-asr-flash-2026-06-15

    非即時

    HTTP

    Prompt上下文

    不支援

    不支援

    多語種及方言

    5分鐘 / 2GB

    fun-asr-2025-11-07

    非即時

    HTTP

    熱詞

    不支援

    支援

    多語種及方言

    12小時 / 2GB

    fun-asr-2025-08-25

    非即時

    HTTP

    熱詞

    不支援

    支援

    中、英

    12小時 / 2GB

    fun-asr-mtl

    非即時

    HTTP

    熱詞

    不支援

    支援

    多語種及方言

    12小時 / 2GB

    fun-asr-mtl-2025-08-25

    非即時

    HTTP

    熱詞

    不支援

    支援

    多語種及方言

    12小時 / 2GB

    支援的語言（按版本）：

    • Fun-ASR-Realtime 主要版本（fun-asr-realtime、fun-asr-realtime-2025-11-07）：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語
    • fun-asr-realtime-2026-02-28：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語
    • fun-asr-realtime-2025-09-15：中文（普通話）、英文
    • Fun-ASR-Flash-Realtime（8K）（fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28）：中文
    • Fun-ASR 主要版本（fun-asr、fun-asr-2025-11-07）：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語
    • Fun-ASR-Flash（fun-asr-flash-2026-06-15）：中文（普通話、粵語、吳語、閩南語、客家話、贛語、湘語、晉語；並支援中原、西南、冀魯、江淮、蘭銀、膠遼、東北、北京、港台等，包括河南、陝西、湖北、四川、重慶、雲南、貴州、廣東、廣西、河北、天津、山東、安徽、南京、江蘇、杭州、甘肅、寧夏等地區官話口音）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語
    • fun-asr-2025-08-25：中文（普通話）、英文
    • Fun-ASR（MTL）（fun-asr-mtl、fun-asr-mtl-2025-08-25）：中文（普通話、粵語）、英語、日語、韓語、越南語、泰語、印尼語、馬來語、菲律賓語、印地語、阿拉伯語、法語、德語、西班牙語、葡萄牙語、俄語、意大利語、荷蘭語、瑞典語、丹麥語、芬蘭語、挪威語、希臘語、波蘭語、捷克語、匈牙利語、羅馬尼亞語、保加利亞語、克羅地亞語、斯洛伐克語

    Qwen-ASR

    模型ID

    模式

    API

    精度增強

    情感識別

    說話人分離

    支援語言

    音頻最大時間長度/大小

    qwen3-asr-flash-realtime

    即時

    WebSocket

    不支援

    支援

    不支援

    多語種及方言

    無限制

    qwen3-asr-flash-realtime-2026-02-10

    即時

    WebSocket

    不支援

    支援

    不支援

    多語種及方言

    無限制

    qwen3-asr-flash-realtime-2025-10-27

    即時

    WebSocket

    不支援

    支援

    不支援

    多語種及方言

    無限制

    qwen3-asr-flash-filetrans

    非即時

    HTTP

    不支援

    支援

    不支援

    多語種及方言

    12小時 / 2GB

    qwen3-asr-flash-filetrans-2025-11-17

    非即時

    HTTP

    不支援

    支援

    不支援

    多語種及方言

    12小時 / 2GB

    qwen3-asr-flash

    非即時

    HTTP（OpenAI相容）

    不支援

    支援

    不支援

    多語種及方言

    5分鐘 / 10MB

    qwen3-asr-flash-2026-02-10

    非即時

    HTTP（OpenAI相容）

    不支援

    支援

    不支援

    多語種及方言

    5分鐘 / 10MB

    qwen3-asr-flash-2025-09-08

    非即時

    HTTP（OpenAI相容）

    不支援

    支援

    不支援

    多語種及方言

    5分鐘 / 10MB

    支援的語言：所有 Qwen-ASR 系列模型（qwen3-asr-flash-realtime、qwen3-asr-flash-filetrans、qwen3-asr-flash 及其快照版）均支援相同的語言列表：中文（普通話、四川話、閩南語、吳語、粵語）、英語、日語、德語、韓語、俄語、法語、葡萄牙語、阿拉伯語、意大利語、西班牙語、印地語、印尼語、泰語、土耳其語、烏克蘭語、越南語、捷克語、丹麥語、菲律賓語、芬蘭語、冰島語、馬來語、挪威語、波蘭語、瑞典語。

    Paraformer

    Paraformer 是較早一代的 ASR 模型，包括即時與非即時兩類。若您的業務允許，建議遷移到前文推薦的 Fun-ASR 或 Qwen-ASR。

    模型ID

    API

    說明

    paraformer-realtime-v2

    WebSocket

    即時識別，中、英、日、韓、德、法、俄

    paraformer-realtime-v1

    WebSocket

    即時識別，中、英、日、韓、德、法、俄

    paraformer-realtime-8k-v2

    WebSocket

    即時識別，8kHz電話情境，中文

    paraformer-realtime-8k-v1

    WebSocket

    即時識別，8kHz電話情境，中文

    paraformer-v2

    HTTP

    錄音檔案識別，支援說話人分離，中、英、日、韓、德、法、俄

    paraformer-8k-v2

    HTTP

    錄音檔案識別，8kHz電話情境，中文

    支援的語言（按版本）：

    • paraformer-realtime-v2、paraformer-v2：中文（普通話、粵語、吳語、閩南語、東北話、甘肅話、貴州話、河南話、湖北話、湖南話、寧夏話、山西話、陝西話、山東話、四川話、天津話、江西話、雲南話、上海話）、英文、日語、韓語、德語、法語、俄語
    • paraformer-realtime-v1、paraformer-realtime-8k-v2、paraformer-realtime-8k-v1、paraformer-8k-v2：中文普通話

    音頻規格

    下表匯總了即時和非即時兩種模式下的音頻規格（輸入方式、格式、採樣率、大小/時間長度）。各模型支援的語言（含方言）見上文“所有模型”內對應系列子節。

    即時

    模型ID

    輸入方式

    音頻格式

    採樣率

    大小/時間長度

    Qwen-Audio-3.0-ASR-Flash-Streaming（qwen-audio-3.0-asr-flash-streaming 系列）

    二進位（Binary）流

    pcm、wav、mp3、opus、speex、aac、amr

    任意

    不限

    Fun-ASR-Realtime（fun-asr-realtime 系列）

    二進位（Binary）流

    pcm、wav、mp3、opus、speex、aac、amr

    任意

    不限

    Fun-ASR-Flash-8K-Realtime（fun-asr-flash-8k-realtime 系列）

    二進位（Binary）流

    同 Fun-ASR-Realtime

    8 kHz

    不限

    Qwen-ASR-Realtime（qwen3-asr-flash-realtime 系列）

    二進位（Binary）流

    pcm、opus

    8 kHz、16 kHz

    不限

    Paraformer-Realtime（paraformer-realtime-v2/v1、paraformer-realtime-8k-v2/v1）

    二進位（Binary）流

    同 Fun-ASR-Realtime

    paraformer-realtime-v2 任意；paraformer-realtime-v1 16 kHz；paraformer-realtime-8k-* 8 kHz

    不限

    所有即時模型均為單聲道輸入。

    非即時

    模型ID

    輸入方式

    音頻格式

    採樣率

    檔案大小/時間長度

    Qwen-Audio-3.0-ASR-Flash-Filetrans（qwen-audio-3.0-asr-flash-filetrans 系列）

    公網可訪問的檔案 URL，單次 1 個

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    ≤2 GB；≤12 小時（啟用說話人分離建議 ≤2 小時）

    Qwen-Audio-3.0-ASR-Flash（qwen-audio-3.0-asr-flash 系列）

    URL / Base64，單次 1 個

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    ≤2 GB；≤5 分鐘

    Fun-ASR（fun-asr、fun-asr-mtl 系列）

    公網可訪問的檔案 URL，單次 1 個

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    ≤2 GB；≤12 小時（啟用說話人分離建議 ≤2 小時）

    Fun-ASR-Flash（fun-asr-flash-2026-06-15）

    URL / Base64，單次 1 個

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    任意

    ≤2 GB；≤5 分鐘

    Paraformer（paraformer-v2/v1、paraformer-mtl-v1、paraformer-8k-v2/v1）

    同 Fun-ASR

    同 Fun-ASR

    paraformer-v2 任意；paraformer-8k-* 僅 8 kHz

    同 Fun-ASR

    Qwen3-ASR-Flash-Filetrans（qwen3-asr-flash-filetrans 系列）

    公網可訪問的檔案 URL，單次 1 個

    aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv

    pcm 必須 16 kHz；其他格式任意（服務端會重採樣為 16 kHz 再識別）

    ≤2 GB；≤12 小時

    Qwen3-ASR-Flash（qwen3-asr-flash 系列）

    URL / Base64 / 本地檔案絕對路徑，單次 1 個

    aac、amr、avi、aiff、flac、flv、mkv、mp3、mpeg、ogg、opus、wav、webm、wma、wmv

    pcm 必須 16 kHz；其他格式任意（服務端會重採樣為 16 kHz 再識別）

    ≤10 MB；≤5 分鐘