7月31日，阿里通义千问正式发布语音识别大模型Qwen-Audio-3.0-ASR-Flash，主打"长音频不丢词、行业词不用教"，已在阿里云百炼平台开放调用。
一是长音频上下文记忆，转写时可参考前文语义，几小时会议中的人名、技术概念全程保持一致，告别跨片段"断片";
二是内置多行业词库，医疗场景专业词召回率达95.36%，IT编程达91.87%，无需人工配置即可精准识别冷门术语;
三是分级热词定制，企业专属词汇即时生效，多数场景召回率突破99%，不因热词增多而误触发;四是集成语音润色，一步完成去口头禅、清理重复、处理自我纠正和语义重组，输出可读性接近"ASR+大模型润色"两步方案;
五是一套模型覆盖30余种语言，七语种平均语义错误率17.09%，优于Azure、Gemini等同业模型，适配跨国会议和出海客服场景。
同步推出的Qwen-Audio-3.0-ASR-Streaming面向实时场景，理论出字延迟300毫秒，中文工业场景错字率7.80%，英文11.52%，领跑行业。该系列此前已在Artificial Analysis评测中以1.7%错字率拿下全球第一，广泛应用于会议纪要、实时字幕、教育录播、智能客服等领域。
阿里发布语音识别大模型Qwen-Audio-3.0-ASR-Flash，专注精准识别专业词汇。模型优化上下文一致性、行业词与热词定制，支持语音润色并直接输出结构化文本。团队构建了覆盖医疗、IT、股票等领域的多行业高质量词库，评测显示行业词识别效果显著提升。
阿里通义实验室发布Fun-ASR1.5语音识别大模型，通过统一架构实现通用性与精准度的平衡。该模型支持全球30种主流语言，并深度适配汉语七大方言及20多种地方口音，在多语言、多方言及复杂语境下表现突出。
钉钉与通义实验室语音团队联合推出新一代语音识别大模型Fun-ASR，为企业用户提供更强大、灵活的语音转写能力。该模型高效处理复杂语音信号，精准识别行业术语，提升专业领域准确性，并支持多语言和口音识别，拓展应用场景。
国产大模型全球下载量破100亿次，万亿级开源模型频出，人工智能产业链整体突破。国家发改委表示，上半年我国AI自主创新加速，深度求索、月之暗面等发布万亿参数开源大模型，下一步将统筹高质量发展与高水平安全。
科技圈迎来效率革命，字节跳动旗下Seed团队发布Seedance2.5音视频联合生成模型，主打一镜成片。单次生成时长从15秒延至30秒，并支持多轮无缝延长，让复杂情节更连贯。模型深度优化材质、光影与肤质，有效消除塑料感，实现逼真实拍质感，赋能多个产业场景。
关注 “悠AI” 更多干货技巧行业动态
相关文章
