千问新 ASR 专攻专业词：医疗术语“听中率”达到 95.36%

阿里巴巴在 7 月 31 日发布了语音识别大模型 Qwen-Audio-3.0-ASR-Flash，这次升级没有把重点放在“能不能把人声变成文字”，而是瞄准了更难也更有商业价值的问题：专业术语能否听准、长段对话能否保持上下文一致，以及转写结果能否直接进入会议纪要、病历草稿和客服工单。

**Qwen-Audio-3.0-ASR-Flash 是通义千问面向短音频语音识别推出的新一代 ASR 模型。**ASR（Automatic Speech Recognition）是把语音转换为文字的技术，而新模型进一步加入行业词库、热词定制和语音润色能力，试图把“原始听写”推进到“可直接使用的结构化转写”。

根据阿里公布的信息，新模型在医疗、IT 编程、股票和社会名人等专业词汇场景中得到系统增强，其中医疗场景的行业词“听中率”达到 95.36%。此前 Qwen-Audio-ASR-Flash 系列曾在 Artificial Analysis 的相关测试中取得 1.7% 错字率，但阿里目前没有公布新模型在同一外部基准上的完整成绩，因此不能直接认定 1.7% 就是 Qwen-Audio-3.0-ASR-Flash 本身的测试结果。

这次升级，解决的不是“听不见”，而是“听不懂”

**专业词识别是企业语音转写与普通听写工具之间最关键的分水岭。**通用 ASR 在天气、购物、日常聊天中往往已经够用，但一旦进入医疗会诊、程序员会议或证券路演，错误会集中出现在最有信息量的名词上：药品名、疾病名、代码库名称、函数名、股票简称和人物姓名。

这种错误的麻烦之处在于，模型可能把整句话的语法听对，却偏偏听错决定句子含义的实体。例如，“心房颤动”被写成发音相近的普通词，或把开发者口中的框架名、类名和英文缩写拆成几个无关单词，整段转写看起来仍然通顺，却已经无法用于检索、归档和后续分析。

**Qwen-Audio-3.0-ASR-Flash 的核心做法是用覆盖多个行业的高质量词库强化长尾词识别。**阿里研究团队持续从医疗、IT 编程、股票和社会名人等领域挖掘专业词与冷门词，使模型不只依赖通用语料里的出现频率，而是提前建立对行业实体及其发音的稳定映射。

医疗场景 95.36% 的行业词“听中率”是此次发布最明确的量化指标，但这个数字需要谨慎解读。“听中率”可以理解为目标行业词被正确识别的比例，它聚焦专业词命中情况；常见的 WER（词错误率）或 CER（字错误率）则衡量整段转写中的替换、遗漏和插入错误。两者统计口径不同，95.36% 的行业词听中率不能直接换算成 4.64% 的全文错误率。

上下文一致性比单个词命中更重要

**上下文一致性是模型利用前后语义消除同音词和指代歧义的能力。**专业会议中的一句话通常不会孤立存在，同一个项目名、患者名或产品名可能在几十分钟内反复出现；如果模型每次都给出不同写法，后续搜索、摘要和知识库入库都会受到影响。

Qwen-Audio-3.0-ASR-Flash 对上下文一致性的强化，实际价值不只是减少错别字，而是让同一实体在一段录音中尽可能保持统一。对于会议纪要，这意味着模型不应把同一个英文产品名先写成英文、后写成音译；对于医疗转写，这意味着药名和疾病名不能随着说话人的语速变化而反复漂移。

**热词定制是用户向模型提供优先识别词表的能力。**即使预训练词库覆盖了多个行业，企业内部仍会不断产生模型没见过的名称，例如新药代号、内部项目名、客户名称、门店名称和刚发布的产品型号。热词机制相当于在识别前告诉模型“这些词接下来很可能出现”，比在转写完成后进行简单字符串替换更可靠，因为模型可以结合发音和上下文决定是否采用热词。

热词能力的真正门槛并不是“支持添加词条”，而是加入热词后不能破坏普通词识别。如果热词权重过高，模型可能把所有相近发音都强行改成指定术语；如果权重过低，热词又形同虚设。阿里此次强调热词定制化优化，但尚未公开热词数量上限、权重控制方式及不同口音条件下的详细召回率，这些指标仍需真实业务验证。

从逐字稿走向结构化文本

**结构化转写是把口语内容整理为带有逻辑层次、标点和可读格式的文本。**传统 ASR 更像一台忠实的打字机，会保留重复、停顿、口头禅和不完整句；加入语音润色后，模型可以在不改变原意的前提下整理句子，并输出更适合阅读和后续处理的结果。

这项能力对会议纪要和教育录播尤其有用，因为用户真正需要的通常不是一堵没有段落的文字墙。一次产品评审中，“嗯”“然后”“这个事情吧”等填充词可能占据大量篇幅，如果模型能够补充标点、划分段落并整理口语表达，人工编辑时间会明显下降。

**语音润色也带来了比识别错误更隐蔽的风险。**逐字转写的错误通常能够回听验证，而润色模型可能把一句含糊、矛盾或未说完整的话改得过于顺畅，从而产生“表达更好但事实不再忠实”的问题。在医疗记录、法律取证、财报电话会等高风险场景中，原始转写、润色文本和音频时间戳应当同时保留，而不能只保存整理后的版本。

因此，Qwen-Audio-3.0-ASR-Flash 的结构化输出更适合被视为“第一版可编辑文稿”，而不是无需复核的最终记录。它能降低整理成本，但无法替代专业人员对关键数字、诊断名称、责任归属和决策结论的确认。

三个版本分别处理短音频、长文件和实时流

**Qwen-Audio-3.0-ASR 系列通过三个版本覆盖同步短音频、离线文件和实时识别。**三个版本的模型目标不同，选型时首先应看音频长度和延迟要求，而不是简单判断哪个版本“能力更强”。

| 版本 | 主要用途 | 已公布能力或限制 | 典型场景 | |---|---|---|---| | Qwen-Audio-3.0-ASR-Flash | 短音频语音识别 | 单次音频最长 5 分钟 | 语音消息、短采访、表单语音输入 | | Qwen-Audio-3.0-ASR-Flash-Filetrans | 离线文件转写 | 面向录音文件的非实时处理 | 会议录音、课程录播、批量音频归档 | | Qwen-Audio-3.0-ASR-Flash-Streaming | 实时语音识别 | 面向持续音频流返回识别结果 | 实时字幕、客服坐席、语音交互 |

短音频 Flash 版的 5 分钟限制意味着，它不是长会议录音的默认选择。开发者当然可以自行切片，但切片会截断上下文，并可能让跨片段实体出现不同写法；如果输入本身是数十分钟或数小时的文件，Filetrans 版通常更符合任务形态。

实时 Streaming 版的关键指标则不是单纯的最终准确率，而是首字延迟、增量结果稳定性和句尾确认速度。字幕系统需要模型边听边出字，如果临时结果反复重写，即使最终文本准确，观看体验仍然会很差。阿里此次没有在公开信息中给出这些延迟数字，因此尚不能仅凭发布说明判断它与其他实时 ASR 产品的交互体验差距。

| 评估维度 | Flash 短音频版 | Filetrans 文件版 | Streaming 实时版 | |---|---|---|---| | 延迟目标 | 较快返回完整结果 | 允许异步等待 | 持续低延迟返回 | | 上下文处理 | 最长 5 分钟范围内 | 适合较长录音 | 依赖流式上下文维护 | | 输出使用方式 | 即传即用 | 批量归档与整理 | 字幕和实时交互 | | 主要风险 | 超长音频需切片 | 处理耗时不可忽略 | 临时结果可能修订 |

1.7% 错字率值得关注，但不能混用评测口径

**Artificial Analysis 的 1.7% 错字率说明 Qwen-Audio-ASR-Flash 系列此前已具备较强的通用转写基础。**错字率越低，代表识别结果与参考文本之间的差异越少；但测试集语言、音频质量、口音、噪声和标点计分方式都会显著影响最终数字，因此跨平台比较必须使用同一数据集与同一计分规则。

此次公布的 95.36% 医疗行业词听中率与此前 1.7% 错字率回答的是两个不同问题：前者关注专业词是否命中，后者关注整段文本出现多少错误。新模型的升级方向可以概括为“在通用识别已经较准的基础上，减少价值最高的关键词错误”，但目前还缺少公开逐项结果来证明各行业分别提升了多少个百分点。

**这次发布最大的遗憾是没有同步给出完整基准表和价格。**截至 2026 年 7 月 31 日，公开资料没有列出新旧版本在同一医疗、编程和金融测试集上的详细对比，也没有提供噪声、方言、多人重叠讲话及中英混说场景的拆分成绩。没有这些数据，外界可以确认升级方向，却难以精确判断升级幅度。

价格同样决定模型能否大规模进入生产环境。客服录音、会议归档和教育录播往往按数千或数万小时计算，即使每小时成本只相差少量金额，年度支出也会拉开明显差距。在官方公布明确计费标准之前，不宜对新模型与其他商业 ASR 服务做成本结论。

千问正在把语音能力拆成可落地的产品组件

**Qwen-Audio-3.0-ASR-Flash 的产品思路比单纯刷新通用榜单更务实。**语音识别市场早已不缺“安静环境下能听懂普通话”的模型，企业真正愿意付费的能力，是在噪声、口音和行业黑话中稳定抓住关键信息，并把结果整理成后续系统能够消费的数据。

Qwen-Audio-ASR-Flash 系列已经在会议纪要、实时字幕、教育录播和智能客服等场景中得到验证，这些场景也恰好对应三个版本的分工。短语音追求快速返回，长录音追求完整转写与结构化整理，实时流则追求低延迟和结果稳定，统一模型家族能够降低企业在不同业务间迁移词库和规则的成本。

**新模型最值得观察的能力不是 95.36% 这个单点数字，而是行业词库、上下文和结构化输出能否形成闭环。**如果专业词只是偶尔命中，而同一词在后文又出现不同写法，系统仍然无法可靠抽取实体；如果文本整理得很漂亮，却擅自改变了数字或结论，模型同样不能进入高风险工作流。

总体来看，Qwen-Audio-3.0-ASR-Flash 是一次针对生产痛点的升级，而不是单纯扩大模型参数或增加语言数量的常规迭代。它对会议、医疗、编程和金融转写具有明确价值，但要证明自己真正领先，还需要阿里补上公开测试集、各行业提升幅度、流式延迟、多人重叠语音表现以及正式价格等信息。

参考来源

• IT之家：阿里发布 Qwen-Audio-3.0-ASR-Flash 语音识别大模型——介绍新模型的行业词识别、热词定制、结构化转写能力及三个产品版本。
• 知乎：听得清，转得准，语音识别模型 Qwen3-ASR-Flash 来了——补充千问语音识别模型的训练背景与 ASR 能力演进信息。