語音轉文字模型 - Alibaba Cloud Model Studio

選擇適合即時語音辨識、錄音檔案轉寫等情境的模型。

通過以下兩個問題可以快速縮小語音辨識模型選擇範圍：

您需要在使用者說話時即時擷取結果，還是在錄音結束後批量處理？
您的音頻是否包含專業術語？

即時還是非即時？

即時

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。

模型	系列	核心優勢
`fun-asr-realtime`	Fun-ASR	熱詞、方言支援、多語種混合識別
`qwen3-asr-flash-realtime`	Qwen3-ASR	情緒識別
`qwen3.5-omni-plus-realtime`	Qwen3.5-Omni	Prompt上下文注入、語義打斷、113種語言
`qwen3.5-omni-flash-realtime`	Qwen3.5-Omni	輕量版，低成本
`qwen3-omni-flash-realtime`	Qwen3-Omni（上一代）	Prompt上下文注入

非即時

提交音頻檔案，輪詢擷取結果。支援最長12小時、最大2 GB的錄音檔案。適用於話務中心錄音、播客和訪談等情境。

模型	系列	核心優勢
`fun-asr`	Fun-ASR	說話人分離、熱詞、多語種混合識別
`qwen3-asr-flash-filetrans`	Qwen3-ASR	情緒識別
`qwen3.5-omni-plus`	Qwen3.5-Omni	Prompt上下文注入、113種語言、OpenAI相容介面
`qwen3.5-omni-flash`	Qwen3.5-Omni	輕量版，低成本，OpenAI相容HTTP介面
`qwen3-omni-flash`	Qwen3-Omni-Flash（上一代）	Prompt上下文注入、多模態、OpenAI相容介面

近即時替代方案

非即時API也接受短音頻片段。可以提交5秒的音頻分區來獲得近即時的識別結果，無需使用WebSocket。但真正的WebSocket方案可以避免重連開銷，如果延遲敏感，建議使用即時模型。

處理專業術語

兩種方式，按靈活性排序：

Prompt上下文注入（Qwen3.5-Omni）：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。代價是每次請求的延遲高於專用ASR模型。
熱詞（Fun-ASR）：提供帶權重的詞彙表。適合穩定且變化不頻繁的術語列表。

說明

Qwen3.5-Omni不是傳統ASR，而是一個能理解音訊大語言模型。您通過Prompt注入上下文，模型無需熱詞列表即可自適應。

說話人分離

僅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"，請使用這些模型。

情緒識別

qwen3-asr-flash-realtime、qwen3-asr-flash-filetrans以及Qwen3.5-Omni系列模型在轉寫的同時支援情緒識別。

完整對比

模型	模式	API	精度增強	情緒	說話人分離	支援語言	最大時間長度
`fun-asr-realtime`	即時	WebSocket	熱詞（僅中國內地）	不支援	不支援	中、英、日及方言	流式
`fun-asr`	非即時	非同步REST	熱詞	不支援	支援	中、英、日及方言	12小時 / 2GB
`qwen3-asr-flash-realtime`	即時	WebSocket	--	支援	不支援	26種語言	流式
`qwen3-asr-flash-filetrans`	非即時	非同步REST	--	支援	不支援	26種語言	12小時 / 2GB
`paraformer-realtime-v2`	即時	WebSocket	熱詞	不支援	不支援	中、英、日、韓、德、法、俄	流式
`paraformer-v2`	非即時	非同步REST	熱詞	不支援	支援	中、英、日、韓、德、法、俄	12小時 / 2GB
`paraformer-realtime-8k-v2`	即時	WebSocket	熱詞	支援	不支援	中文	流式
`paraformer-8k-v2`	非即時	非同步REST	熱詞	不支援	不支援	中文	12小時 / 2GB
`qwen3.5-omni-plus`	非即時	HTTP（OpenAI相容）	Prompt上下文	支援	不支援	113種語言	單次要求節流
`qwen3.5-omni-flash`	非即時	HTTP（OpenAI相容）	Prompt上下文	支援	不支援	113種語言	單次要求節流
`qwen3.5-omni-plus-realtime`	即時	WebSocket	Prompt上下文	支援	不支援	113種語言	120分鐘
`qwen3.5-omni-flash-realtime`	即時	WebSocket	Prompt上下文	支援	不支援	113種語言	120分鐘
`qwen3-omni-flash`（上一代）	非即時	HTTP（OpenAI相容）	Prompt上下文	支援	不支援	中、英、日、韓、德、法、意、西、葡、俄；中文方言：四川話、上海話、粵語、閩南語、陝西話、南京話、天津話、北京話	單次要求節流
`qwen3-omni-flash-realtime`（上一代）	即時	WebSocket	Prompt上下文	支援	不支援	中、英、日、韓、德、法、意、西、葡、俄；中文方言：四川話、上海話、粵語、閩南語、陝西話、南京話、天津話、北京話	120分鐘

說明

所有模型均支援WAV、MP3、AAC等常見音頻格式。

適用範圍

不同地區支援的模型有所不同。請根據您的 API Key 所屬地區查看可用模型。

國際

使用新加坡地區的 API Key 訪問以下模型。

模型系列	模式	可用模型
Fun-ASR	即時	`fun-asr-realtime`
Fun-ASR	非即時	`fun-asr`、`fun-asr-mtl`
Qwen3-ASR	即時	`qwen3-asr-flash-realtime`
Qwen3-ASR	非即時	`qwen3-asr-flash-filetrans`、`qwen3-asr-flash`
Qwen3.5-Omni Qwen3-Omni	即時 / 非即時	`qwen3.5-omni-plus-realtime`、`qwen3.5-omni-flash-realtime`、`qwen3.5-omni-plus`、`qwen3.5-omni-flash`、`qwen3-omni-flash-realtime`（上一代）、`qwen3-omni-flash`（上一代）

中國內地

使用北京地區的 API Key 訪問以下模型。

模型系列	模式	類型	可用模型
Fun-ASR	即時	推薦	`fun-asr-realtime`、`fun-asr-flash-8k-realtime`、`fun-asr-mtl-realtime`
Fun-ASR	非即時	推薦	`fun-asr`、`fun-asr-mtl`
Qwen3-ASR	即時	推薦	`qwen3-asr-flash-realtime`
Qwen3-ASR	非即時	推薦	`qwen3-asr-flash-filetrans`、`qwen3-asr-flash`
Qwen3.5-Omni Qwen3-Omni	即時 / 非即時	推薦	`qwen3.5-omni-plus-realtime`、`qwen3.5-omni-flash-realtime`、`qwen3.5-omni-plus`、`qwen3.5-omni-flash`、`qwen3-omni-flash-realtime`（上一代）、`qwen3-omni-flash`（上一代）
Legacy	即時	舊版	`gummy-realtime-v1`、`gummy-chat-v1`、`paraformer-realtime-v2`、`paraformer-realtime-v1`、`paraformer-realtime-8k-v2`、`paraformer-realtime-8k-v1`
	非即時		`paraformer-v2`、`paraformer-8k-v2`、`paraformer-v1`、`paraformer-8k-v1`、`paraformer-mtl-v1`
	非即時		`sensevoice-v1`（即將下線）

說明

美國地區額外支援 qwen3-asr-flash-us（非即時），需使用美國地區的 API Key。