阿里語音模型再進化！專有名詞一鍵拿捏，口頭禪實時潤色

阿里千問大模型團隊於7月31日推出新一代語音識別大模型Qwen-Audio-3.0-ASR-Flash，這次改版聚焦於三個核心方向：長語音上下文理解、行業專業詞彙識別，以及企業級熱詞定製。官方公布的數據顯示，這款模型在醫療場景下對專業術語的「聽中率」達到95.36%，工業、IT編程、畜牧業等領域的識別準確率也都超過90%。在熱詞機制方面，所有測試集上的熱詞「聽中率」都維持在90%以上，多數應用場景甚至突破99%。針對長音頻處理，新模型導入長音頻Context能力，讓系統在轉寫當前語音時，能夠回顧近期已辨識出的內容，沿著同一話題的關鍵詞與語義脈絡持續往下聽。

這項設計特別有助於應對同音字詞的判斷，尤其是專業術語、中英文夾雜等容易出錯的片段。模型的「記憶」直接來自音頻本身的對話內容，並會隨著對話推進自動更新，不需要額外手動設定。對於動輒數十分鐘的會議記錄或訪談內容，這項功能可有效降低因語境斷裂而產生的誤判。在專業術語的掌握上，Qwen-Audio-3.0-ASR-Flash將行業詞彙辨識內化為模型自身的能力。過去處理醫療、法律、工程等領域的特殊用語，往往需要人工維護詞表，遇到只在對話中出現一次的冷門詞彙更是考驗系統的即時反應。

研究團隊從醫療、IT編程、股票金融、社會名人等領域挖掘專業詞彙，建構覆蓋多行業的高品質詞庫，讓模型即使面對未曾配置過的專有名詞，也能依靠內建知識進行正確辨識。官方內部評測顯示，醫療場景的專業詞「聽中率」突破95.36%，其他垂直領域也有明顯提升。熱詞定製方面，新模型採用分級熱詞機制，讓企業可以依照自身需求配置專屬詞彙並即時生效。過往熱詞的痛點在於，當企業加入大量自定義詞後，誤觸發的機率會隨之上升，反而拖累整體識別效果。Qwen-Audio-3.0-ASR-Flash透過分級管理的方式，在保有客製化彈性的同時，避免熱詞過載對辨識品質造成負面影響。

官方數據指出，在傳入熱詞的條件下，各測試集的熱詞「聽中率」皆達到90%以上，多數場景甚至超過99%。除了辨識能力的提升，語音潤色功能也是這次改版的一大亮點。模型能夠在轉寫過程中直接去除口頭禪和語氣詞，並對重複、口吃或語意不清的片段進行重組，輸出條理分明的書面文本。根據千問團隊公布的評測結果，去口頭禪與去重複後的可讀性和忠實度，已與「先識別再用Qwen3.6-Plus潤色」的兩步走方案相當。所有子集的可讀性平均分從未潤色時的2.55提升至3.43，優秀可讀率也從30.75%上升到59.27%。從實際案例來看，模型能有效處理多種類型的口語問題。

例如去除無意義的語氣詞，「那同時因為其實您日常我們再去用一些AI的AI的一個產品和模型的話」會被整理為「同時，因為日常使用AI產品和模型時」；面對口吃與重複，「就是就電動車的一些，就是它的一些產品手冊」則會精簡為「把電動車的產品手冊」；自我糾正的語句也能被準確理解，像是「搜一下那個遇果香源的紅富士蘋果，啊不是，是煙臺棲霞紅富士」會直接輸出「搜一下煙臺棲霞紅富士」。這些能力大幅減輕了後續人工整理逐字稿的負擔。多語言混合識別同樣是此次升級的重點之一。Qwen-Audio-3.

0-ASR-Flash支援的語言涵蓋中文、日語、韓語，延伸至泰語、越南語、印尼語、馬來語等東南亞語言，以及印地語、阿拉伯語，並包含英語、法語、德語、西班牙語、葡萄牙語、俄語等歐洲主流語言。使用者只需在辨識前告知模型會議可能使用的語種，系統便會自動啟動多語言混合識別模式。官方在七個語種的評測中顯示，平均語義錯誤率為17.09%，優於Azure、ElevenLabs Scribe v2、Gemini 3.0 Flash以及上一代模型。在識別速度方面，模型維持理論出字延遲300毫秒的表現，同時提升了複雜工業場景下的準確率。中文工業場景的平均錯字率僅7.8%，英文工業場景則為11.52%。

值得一提的是，Qwen-Audio-ASR-Flash系列過往曾在全球權威AI評測平臺Artificial Analysis上，以1.7%的錯字率拿下全球第一的成績，此次新版在既有基礎上進一步強化垂直領域的適用性。目前Qwen-Audio-3.0-ASR已透過阿里雲百鍊平台開放API調用，提供三個版本供開發者選擇：語音識別（最長5分鐘）、離線文件轉寫，以及即時語音識別。三個版本分別對應不同使用情境，涵蓋短語音即時辨識、大量音檔批次處理，以及需要串流回應的互動場景。整體而言，語音識別市場的競爭正從標準普通話的錯字率比拼，逐步轉向真實商業落地場景的適配能力。

過去企業導入語音辨識系統時，最大的痛點在於醫療術語、程式碼變數、工業設備型號、金融標的等小眾詞彙容易出現同音混淆，且需要投入人力持續維護詞表。熱詞擴充又可能反向影響通用識別精度，形成兩難。Qwen-Audio-3.0-ASR-Flash的出現，顯示新一代語音模型正從通用工具朝向真正的生產力工具轉型，藉由內建行業知識與智能化潤色能力，解決過往專業場景難以規模化落地的瓶頸。