Qwen Audio 3.1 Asr Flash

从录音片段得到可读文字

Qwen-Audio-3.1-ASR-Flash 面向短音频转写。它能识别多种语言和中文方言，也针对古诗词、文言表达等内容做了优化，适合整理语音消息、访谈片段、客服录音和课程素材。输出为文本，不生成语音。

让专有词汇和多人对话更清楚

遇到产品名、人名或行业术语时，可以提供热词或前文上下文来改善识别。模型提供标点预测、文本规范化与原生润色，帮助把口语表达整理为较易阅读的文字。多人对话可启用说话人分离，在句子结果中区分发言者；方言内容也可选择保留原有表达或转为普通话文字。

上下文为 8,192 Token，最大输入 7,168 Token，最大输出 1,024 Token。官方接口可通过 SSE 分批返回识别结果；这是录音文件识别，交互式实时识别需选择对应的 streaming 模型。

北京地域基准价格为输入 ¥0.8、输出 ¥2.7／百万 Token，按上游返回的输入、输出 Token 分别计费。站内美元基准按配置汇率 1 美元 = 6.8 元换算，实际费用再应用账户分组及模型折扣。

准备识别素材

在支持该模型的 ASR 接入中提交音频 URL 或 Base64 Data URI，并填写真实的音频格式。先用清晰的短片段确认识别效果，再处理更长素材；专业名词可通过即时热词或上下文提供。官方接口及参数说明见 HTTP API 文档。

多人录音和方言

设置 speaker_diarization_enabled: true 可启用说话人分离，通过 output.sentences 的 speaker_id 区分发言者。启用后，keep_dialect 与 language_hints 不生效。未启用说话人分离时，keep_dialect: true 可保留方言表达。

接入状态

当前目录已配置该模型的元信息和价格。现有 Alibaba 渠道使用语音合成协议，尚需匹配本模型的 ASR 协议才能完成识别调用；现阶段请先确认渠道接入能力。