跳转到主要内容
千问AI平台 home page
文档
语音识别

语音识别模型

选择适合实时字幕、音频转写等场景的语音识别模型。

从闭源模型迁移到千问AI平台？

如果你正在使用 Whisper、Deepgram 或 Google 的语音识别服务，可参考下表选择对应的千问AI平台模型。
使用场景闭源模型代表千问AI平台推荐
实时识别Deepgram Nova-3、Google Chirp 3qwen-audio-3.0-asr-flash-streaming
非实时 / 文件转写OpenAI gpt-4o-transcribe、Whisperqwen-audio-3.0-asr-flash-filetrans、qwen-audio-3.0-asr-flash
本文按"先选维度、再看模型"的顺序帮助您完成选型：先从"选型决策维度"（实时/非实时、专业术语、说话人分离、情感识别）确认场景；再到"推荐模型"查看针对各场景的首选；如需更多版本可在"全部模型"按系列展开；最后到"音频规格"核对输入文件约束。各模型支持的语言（含方言）随附在"全部模型"的各系列子节内。

选型决策维度

从以下 4 个维度逐项确认，每个维度都会推荐适配的模型。

实时还是非实时？

实时是指在用户说话的同时输出识别结果，非实时是指录音结束后再进行转写。
  • 实时（实时语音识别）：基于 WebSocket 协议，音频流式输入，文本流式输出。适用于实时字幕、语音助手和会议转写。推荐使用 qwen-audio-3.0-asr-flash-streaming（热词、Prompt 上下文、多语种及方言）。
  • 非实时（录音文件识别）：基于 HTTP 协议，提交音频文件获取识别结果。适用于呼叫中心录音、播客和访谈等场景。推荐使用 qwen-audio-3.0-asr-flash-filetrans（热词、Prompt 上下文、说话人分离）。
Qwen-Audio-3.0-ASR-Flash-Streaming 和 Fun-ASR-Realtime 系列模型还支持通过 AOQ 协议接入；如果是客户端对接，且更看重稳定的延迟、弱网下的交互能力、实时双工的降噪与回声消除，可优先考虑 AOQ，协议对比与选型请参见 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 的实时模型支持通过 DashScope SDK（Java、Python）接入。Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Fun-ASR 模型还支持 Android、iOS SDK 接入，速度快。其他模型需根据对应的 WebSocket 或 HTTP 协议直接调用。 选择实时接入请参考实时语音识别，选择非实时接入请参考非实时语音识别。

处理专业术语

两种方式，按灵活性排序：
  1. Prompt 上下文注入 — 在系统提示词中描述您的领域背景，无需预配置。模型在每次请求时自适应。推荐使用 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. 热词 — 提供带权重的词汇表。推荐使用 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。

说话人分离

Qwen-Audio-3.0-ASR-Flash-Filetrans 系列（qwen-audio-3.0-asr-flash-filetrans）以及 Fun-ASR 系列的非实时模型（fun-asr、fun-asr-mtl）支持说话人分离。如果您需要区分"谁说了什么"，推荐使用 qwen-audio-3.0-asr-flash-filetrans。

情感识别

Qwen-ASR 系列模型在转写的同时支持情感识别。推荐使用 qwen3-asr-flash-realtime（实时）或 qwen3-asr-flash-filetrans（非实时）。

推荐模型

以下为各场景下最推荐的模型，可前往模型广场查看详情。
模型ID模式API精度增强情感识别说话人分离支持语言音频最大时长/大小
qwen-audio-3.0-asr-flash-streaming实时WebSocket热词、Prompt 上下文✗✗多语种及方言无限制
qwen-audio-3.0-asr-flash-filetrans非实时HTTP热词、Prompt 上下文✗✓多语种及方言12小时 / 2GB

全部模型

模型ID模式API精度增强情感识别说话人分离支持语言音频最大时长/大小
qwen-audio-3.0-asr-flash-streaming实时WebSocket热词、Prompt 上下文✗✗多语种及方言无限制
支持的语言：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
模型ID模式API精度增强情感识别说话人分离支持语言音频最大时长/大小
qwen-audio-3.0-asr-flash-filetrans非实时HTTP热词、Prompt 上下文✗✓多语种及方言12小时 / 2GB
支持的语言：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
模型ID模式API精度增强情感识别说话人分离支持语言音频最大时长/大小
qwen-audio-3.0-asr-flash非实时HTTP热词、Prompt 上下文✗✗多语种及方言5分钟 / 2GB
支持的语言：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
模型ID模式API精度增强情感识别说话人分离支持语言音频最大时长/大小
fun-asr-realtime实时WebSocket热词✗✗多语种及方言无限制
fun-asr-realtime-2026-02-28实时WebSocket热词✗✗中、英、日及方言无限制
fun-asr-realtime-2025-11-07实时WebSocket热词✗✗多语种及方言无限制
fun-asr-realtime-2025-09-15实时WebSocket热词✗✗中、英无限制
fun-asr-flash-8k-realtime实时WebSocket热词✗✗中文无限制
fun-asr-flash-8k-realtime-2026-01-28实时WebSocket热词✗✗中文无限制
fun-asr非实时HTTP热词✗✓多语种及方言12小时 / 2GB
fun-asr-2025-11-07非实时HTTP热词✗✓多语种及方言12小时 / 2GB
fun-asr-2025-08-25非实时HTTP热词✗✓中、英12小时 / 2GB
fun-asr-mtl非实时HTTP热词✗✓多语种及方言12小时 / 2GB
fun-asr-mtl-2025-08-25非实时HTTP热词✗✓多语种及方言12小时 / 2GB
fun-asr-flash-2026-06-15非实时HTTPPrompt 上下文✗✗多语种及方言5分钟 / 2GB
支持的语言（按版本）：
  • Fun-ASR-Realtime 主版本（fun-asr-realtime、fun-asr-realtime-2025-11-07）：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
  • fun-asr-realtime-2026-02-28：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语
  • fun-asr-realtime-2025-09-15：中文（普通话）、英文
  • Fun-ASR-Flash-Realtime（8K）（fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28）：中文
  • Fun-ASR 主版本（fun-asr、fun-asr-2025-11-07）：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
  • Fun-ASR-Flash（fun-asr-flash-2026-06-15）：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
  • fun-asr-2025-08-25：中文（普通话）、英文
  • Fun-ASR（MTL）（fun-asr-mtl、fun-asr-mtl-2025-08-25）：中文（普通话、粤语）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
模型ID模式API精度增强情感识别说话人分离支持语言音频最大时长/大小
qwen3-asr-flash-realtime实时WebSocket✗✓✗多语种及方言无限制
qwen3-asr-flash-realtime-2026-02-10实时WebSocket✗✓✗多语种及方言无限制
qwen3-asr-flash-realtime-2025-10-27实时WebSocket✗✓✗多语种及方言无限制
qwen3-asr-flash-filetrans非实时HTTP✗✓✗多语种及方言12小时 / 2GB
qwen3-asr-flash-filetrans-2025-11-17非实时HTTP✗✓✗多语种及方言12小时 / 2GB
qwen3-asr-flash非实时HTTP（OpenAI 兼容）✗✓✗多语种及方言5分钟 / 10MB
qwen3-asr-flash-2026-02-10非实时HTTP（OpenAI 兼容）✗✓✗多语种及方言5分钟 / 10MB
qwen3-asr-flash-2025-09-08非实时HTTP（OpenAI 兼容）✗✓✗多语种及方言5分钟 / 10MB
支持的语言：所有 Qwen-ASR 系列模型（qwen3-asr-flash-realtime、qwen3-asr-flash-filetrans、qwen3-asr-flash 及其快照版）均支持相同的语言列表：中文（普通话、四川话、闽南语、吴语、粤语）、英语、日语、德语、韩语、俄语、法语、葡萄牙语、阿拉伯语、意大利语、西班牙语、印地语、印尼语、泰语、土耳其语、乌克兰语、越南语、捷克语、丹麦语、菲律宾语、芬兰语、冰岛语、马来语、挪威语、波兰语、瑞典语。
Paraformer 是较早一代的 ASR 模型，包括实时与非实时两类。若您的业务允许，建议迁移到前文推荐的 Fun-ASR 或 Qwen-ASR。
模型IDAPI说明
paraformer-realtime-v2WebSocket实时识别，中、英、日、韩、德、法、俄
paraformer-realtime-v1WebSocket实时识别，中、英、日、韩、德、法、俄
paraformer-realtime-8k-v2WebSocket实时识别，8kHz 电话场景，中文
paraformer-realtime-8k-v1WebSocket实时识别，8kHz 电话场景，中文
paraformer-v2HTTP录音文件识别，支持说话人分离，中、英、日、韩、德、法、俄
paraformer-8k-v2HTTP录音文件识别，8kHz 电话场景，中文
paraformer-v1HTTP录音文件识别，支持说话人分离，中、英、日、韩、德、法、俄
paraformer-8k-v1HTTP录音文件识别，8kHz 电话场景，中文
paraformer-mtl-v1HTTP录音文件识别，支持说话人分离，多语种
支持的语言（按版本）：
  • paraformer-realtime-v2、paraformer-v2：中文（普通话、粤语、吴语、闽南语、东北话、甘肃话、贵州话、河南话、湖北话、湖南话、宁夏话、山西话、陕西话、山东话、四川话、天津话、江西话、云南话、上海话）、英文、日语、韩语、德语、法语、俄语
  • paraformer-realtime-v1、paraformer-realtime-8k-v2、paraformer-realtime-8k-v1、paraformer-8k-v2、paraformer-8k-v1：中文普通话
  • paraformer-v1：中文普通话、英文
  • paraformer-mtl-v1：中文（普通话、粤语、吴语、闽南语、东北话、甘肃话、贵州话、河南话、湖北话、湖南话、宁夏话、山西话、陕西话、山东话、四川话、天津话）、英文、日语、韩语、西班牙语、印尼语、法语、德语、意大利语、马来语
以下模型已计划下线，仅供存量业务参考，请尽快迁移到推荐模型。
模型IDAPI说明
gummy-realtime-v1WebSocket实时识别，中、英及方言
gummy-chat-v1WebSocket短音频实时识别（1分钟限制），多语种
sensevoice-v1HTTP录音文件识别，多语种

音频规格

下表汇总了实时和非实时两种模式下的音频规格（输入方式、格式、采样率、大小/时长）。各模型支持的语言（含方言）见上文"全部模型"内对应系列子节。

实时

模型ID输入方式音频格式采样率大小/时长
Qwen-Audio-3.0-ASR-Flash-Streaming（qwen-audio-3.0-asr-flash-streaming 系列）二进制（Binary）流pcm、wav、mp3、opus、speex、aac、amr任意不限
Fun-ASR-Realtime（fun-asr-realtime 系列）二进制（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）二进制（Binary）流同 Fun-ASR-Realtime8 kHz不限
Qwen-ASR-Realtime（qwen3-asr-flash-realtime 系列）二进制（Binary）流pcm、opus8 kHz、16 kHz不限
Paraformer-Realtime（paraformer-realtime-v2/v1、paraformer-realtime-8k-v2/v1）二进制（Binary）流同 Fun-ASR-Realtimeparaformer-realtime-v2 任意；paraformer-realtime-v1 16 kHz；paraformer-realtime-8k-* 8 kHz不限
所有实时模型均为单声道输入。

非实时

模型ID输入方式音频格式采样率文件大小/时长
Qwen-Audio-3.0-ASR-Flash-Filetrans（qwen-audio-3.0-asr-flash-filetrans 系列）公网可访问的文件 URL，单次 1 个aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv任意≤2 GB；≤12 小时（启用说话人分离建议 ≤2 小时）
Qwen-Audio-3.0-ASR-Flash（qwen-audio-3.0-asr-flash 系列）URL / Base64，单次 1 个aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv任意≤2 GB；≤5 分钟
Fun-ASR（fun-asr、fun-asr-mtl 系列）公网可访问的文件 URL，单次 1 个aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv任意≤2 GB；≤12 小时（启用说话人分离建议 ≤2 小时）
Fun-ASR-Flash（fun-asr-flash-2026-06-15）URL / Base64，单次 1 个aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv任意≤2 GB；≤5 分钟
Fun-ASR-Realtime（fun-asr-realtime、fun-asr-realtime-2026-02-28）URL / Base64，单次 1 个aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv任意≤2 GB；≤5 分钟
Paraformer（paraformer-v2/v1、paraformer-mtl-v1、paraformer-8k-v2/v1）同 Fun-ASR同 Fun-ASRparaformer-v2/v1 任意；paraformer-8k-* 仅 8 kHz；paraformer-mtl-v1 16 kHz 及以上同 Fun-ASR
Qwen3-ASR-Flash-Filetrans（qwen3-asr-flash-filetrans 系列）公网可访问的文件 URL，单次 1 个aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmvpcm 必须 16 kHz；其他格式任意（服务端会重采样为 16 kHz 再识别）≤2 GB；≤12 小时
Qwen3-ASR-Flash（qwen3-asr-flash 系列）URL / Base64 / 本地文件绝对路径，单次 1 个aac、amr、avi、aiff、flac、flv、mkv、mp3、mpeg、ogg、opus、wav、webm、wma、wmvpcm 必须 16 kHz；其他格式任意（服务端会重采样为 16 kHz 再识别）≤10 MB；≤5 分钟
需要将语音翻译为其他语言？请参阅语音翻译模型，了解 LiveTranslate 和 Qwen-Omni 的实时与文件翻译能力。

了解更多

实时语音识别

流式输入音频，实时返回识别文本。

音频文件转写

通过异步 API 转写录音文件。

自定义热词

提升专业术语的识别准确率。