Qwen3-ASR
又称：Qwen3-ASR-1.7B、Qwen3-ASR-0.6B
发布于
定义
Qwen3-ASR是阿里巴巴Qwen团队推出的一系列开源语音识别模型，于2026年1月29日发布。它能识别30种语言和22种汉语方言，并能判断正在说的是哪一种。
它有两种规格：Qwen3-ASR-1.7B和Qwen3-ASR-0.6B，另有第三个模型Qwen3-ForcedAligner-0.6B，用于生成时间戳。三者都以Apache 2.0许可证发布。
Qwen3-ASR的构造与早期的语音模型不同。它是一个装上了耳朵的语言模型：音频编码器把语音转换成词元，再由Qwen3语言模型写出文字。这也是它比只做转写的模型更大的原因。
两种规格
名称指的是内部的语言模型，而不是整体大小。论文说明，Qwen3-ASR-1.7B由Qwen3-1.7B、一个投影层和一个3亿参数的音频编码器构成，Qwen3-ASR-0.6B则使用Qwen3-0.6B和一个1.8亿参数的编码器。所以每个模型都比名称显示的要大一些。
较大的那个更准确。较小的那个更快，内存紧张时应选择它。
语言和方言
项目页面说明，它支持52种语言和方言的语种识别和语音识别：30种语言和22种汉语方言，此外还支持多个国家和地区的英语口音。
语种识别是模型的一部分。你不必事先说明要说哪种语言；它会自己判断，并随转写文本一起报告。
普通转写之外还能做什么
开发方说明了三项功能。
- 同一个模型既能流式识别，也能离线识别，因此一套权重同时适用于实时语音和录音。
- 长音频。论文给出的单段语音上限为20分钟。
- 时间戳，通过单独的强制对齐模型提供，支持11种语言、最长5分钟的语音。
开发方说明的局限
项目没有名为“局限”的章节，但文档中列出了一些。流式识别只在一种推理服务后端上可用，而且流式识别不返回时间戳。时间戳需要第二个模型。此外，公布的速度数据是在同时处理大量请求的服务器上测得的，所以对一个人在笔记本电脑上听写的情况参考意义不大。
在Mac上运行
原始权重以在显卡上用Python运行的形式发布。在Apple芯片上，同样的权重会被转换为Apple的MLX格式，通常还会量化为4位或5位，让下载大小和内存占用降到笔记本电脑能承受的程度。
大家常问的问题。
Qwen3-ASR支持多少种语言？
开发方说明支持30种语言和22种汉语方言，共52种，并内置语种识别。
Qwen3-ASR是开源的吗？
是的。这些模型以Apache 2.0许可证发布。
Qwen3-ASR-1.7B和0.6B有什么区别？
区别在于内部语言模型的大小。1.7B模型更准确，0.6B模型更小、更快。
Qwen3-ASR能自己识别语言吗？
能。语种识别是模型的一部分，所以不需要事先设定语言。
Qwen3-ASR能提供时间戳吗？
它本身不能。时间戳来自一个单独的模型Qwen3-ForcedAligner-0.6B，支持11种语言、最长5分钟的语音。
Qwen3-ASR能在Mac上离线运行吗？
能。已发布权重的转换版本可以在Apple芯片上运行，下载后无需联网。
