阿里發佈語音識別新模型，醫療詞彙"聽中率"破 95%，曾拿全球最低錯字率

阿里巴巴近日正式推出語音識別大模型 Qwen-Audio-3.0-ASR-Flash，這款新模型的核心目標非常明確：讓人工智慧能夠精準聽懂各行業的專業術語，尤其在醫療場景中，詞彙辨識準確率已突破 95%，達到 95.36% 的水準。這項技術的進展，被視為語音交互在專業領域「最後一公里」的關鍵突破。根據官方資訊，Qwen-Audio-3.0-ASR-Flash 在三個面向進行了系統性優化：上下文一致性、行業詞識別能力以及熱詞定製化功能。模型不僅能將語音轉為文字，還具備語音潤色能力，可直接輸出結構化文本，大幅提升會議記錄、直播字幕等場景的可用性。

研究團隊持續從醫療、IT 程式設計、股票金融、社會名人等領域挖掘專業詞彙，建構出覆蓋多行業的高品質詞庫，讓模型不必仰賴使用者手動設定就能辨識艱澀術語。在最新內部評測中，該模型對各行業專業詞的「聽中率」均有顯著提升，其中醫療場景表現最為突出，達到 95.36%。這意味著在臨床診斷紀錄、醫囑轉寫、藥品名稱辨識等高度專業的應用中，AI 語音辨識已能達到接近實用的精準度。此外，在 IT 與程式設計領域，專業詞彙召回率也達到 91.87%，顯示出模型在跨領域的適應能力。值得注意的是，Qwen-Audio-ASR-Flash 系列並非首次在國際評測中嶄露頭角。

此前，該模型曾在 AI 評測平臺 Artificial Analysis 上以 1.7% 的錯字率拿下全球第一，展現出在真實辦公與教育環境中，語音轉文字準確度已觸及可用性的高標。這項成績也為阿里在語音辨識領域的技術實力提供了有力背書。目前，該模型已透過阿里雲百鍊平臺開放調用，提供三個版本以滿足不同場景需求：Flash 版支援最長 5 分鐘的即時語音辨識，適合快速會議記錄或即時字幕；Filetrans 版則針對離線檔案轉寫，可處理較長音頻檔案；Streaming 版則提供持續性的即時語音辨識串流，適用於直播、客服等需要即時回饋的應用。

三個版本共同覆蓋會議紀要整理、即時字幕、教育錄播、智慧客服等五大典型場景。阿里此次推出的語音辨識模型，不僅強化了長音頻的上下文記憶能力，確保在長時間會議中不會出現前後不一致的「丟詞」現象，更內建了醫療、IT 等領域的專業詞庫，讓企業用戶無需額外人工配置即可直接使用。這項特色大幅降低了導入門檻，尤其對於醫療機構、科技公司等經常接觸專業術語的組織，更具實用價值。從技術發展脈絡來看，阿里通義實驗室在語音辨識領域持續深耕。去年推出的 Fun-ASR1.5 模型已支援全球 30 種主流語言，並深度適配漢語七大方言及 20 多種地方口音，展現出多語種與多方言的通用能力。而這次的 Qwen-Audio-3.

0-ASR-Flash 則進一步聚焦於專業場景的深度優化，補足了過去語音模型在行業術語處理上的短板。業界分析指出，當 AI 不再只是「能聽」，而是能聽懂那些拗口、冷僻的專業詞彙時，語音交互的可用性將迎來質變。從醫療病歷數位化、IT 開發會議記錄，到金融分析師的語音筆記，這些過去需要人工反覆校對的場景，如今可望靠 AI 一次性完成，大幅提升工作效率。隨著模型在阿里雲百鍊平臺上線，開發者與企業用戶可以立即透過 API 串接，將這項能力整合到自家產品或服務中。阿里也同步釋出相關技術文件與最佳實踐指南，協助用戶快速上手。

未來，這系列模型預計將持續擴充行業詞庫，並針對更多垂直領域進行精調，讓語音辨識不再只是通用工具，而是真正融入產業運作的核心能力。