Qwen開源了具有多語言功能的先進ASR和強制對齊模型

阿里巴巴雲 宣布已將其 Qwen3-ASR 和 Qwen3-ForcedAligner AI 模型開源，為語音識別和強制對齊提供高級工具。 

Qwen3-ASR 系列包括兩個一體化模型，即 Qwen3-ASR-1.7B 和 Qwen3-ASR-0.6B，它們利用大規模語音資料和 Qwen3-Omni 基礎模型，支援 52 種語言和口音的語言識別和轉錄。 

內部測試表明，1.7B 模型在開源 ASR 系統中實現了最先進的準確率，而 0.6B 版本則兼顧了性能和效率，能夠在 1 秒內以高並發性轉錄 2,000 秒的語音。 

Qwen3-ForcedAligner-0.6B 模型採用非自回歸 LLM 方法對 11 種語言的文字和語音進行對齊，在速度和準確性方面均優於領先的力對齊解決方案。 

阿里雲也發布了一個基於 Apache 2.0 許可的綜合推理框架，支援串流處理、批次處理、時間戳預測和微調，旨在加速音訊理解領域的研究和實際應用。

Qwen3-ASR 和 Qwen3-ForcedAligner 模型展現出領先的準確性和效率

阿里雲發布了其 Qwen3-ASR 和 Qwen3-ForcedAligner 模型的效能測試結果，證明其在各種語音辨識任務中均具有領先的準確率和效率。 

Qwen3-ASR-1.7B 模型在開源系統中取得了最先進的成果，在英語、多語言和漢語方言識別（包括粵語和 22 種區域變體）方面優於商業 API 和其他開源模型。 

即使在信噪比低、兒童或老年人語音、甚至歌聲轉錄等具有挑戰性的聲學條件下，它也能保持可靠的準確性，在中文中平均詞錯誤率為 13.91%，在英語中（有背景音樂）平均詞錯誤率為 14.60%。

較小的 Qwen3-ASR-0.6B 兼顧了準確性和效率，在高並發性下可實現高吞吐量和低延遲，能夠在 128 並發性的在線非同步模式下轉錄長達 5 小時的語音。 

同時，Qwen3-ForcedAligner-0.6B 的效能優於領先的端到端強制對齊模型，包括 Nemo-Forced-Aligner、WhisperX 和 Monotonic-Aligner，提供更出色的語言覆蓋範圍、時間戳準確性和對各種語音和音訊長度的支援。