ИИтак
Поиск

← Назад

модель · Qwen · вышла 8 сентября 2025

Qwen3-ASR Flash

Бюджетная модель Qwen для расшифровки коротких аудиозаписей в текст, справляется с шумным фоном и песнями

О модели

Qwen3-ASR-Flash — модель Qwen для распознавания речи, или ASR (automatic speech recognition): она получает аудиозапись и возвращает текст. По словам лаборатории, модель построена на Qwen3-Omni, которая работает сразу с текстом, звуком и изображением. Её обучали на большом объёме данных, прежде всего на десятках миллионов часов записей речи. Открытых весов у модели нет: она работает только как сервис в Alibaba Cloud Model Studio. Идентификатор qwen3-asr-flash ведёт на снимок (зафиксированную версию модели) от 8 сентября 2025 года, а более новый снимок доступен под именем qwen3-asr-flash-2026-02-10.

В анонсе было названо 11 языков, в том числе русский. В нынешней документации Alibaba у всех моделей Qwen-ASR общий список больше чем из 25 языков: среди них хинди, турецкий и украинский. Для китайского там же указаны путунхуа и несколько диалектов, например кантонский и сычуаньский. Язык записи можно указать, а если он неизвестен или в записи их несколько, модель определит его сама. Главной особенностью Qwen называла подсказку в свободной форме: к записи прикладывают поясняющий текст или список терминов и имён, и модель точнее записывает названия. Кроме того, модель всегда отмечает эмоцию говорящего, одну из семи: удивление, спокойствие, радость, грусть, отвращение, гнев или страх.

Модель берут для субтитров и расшифровки звонков, интервью и голосовых сообщений. Лаборатория отдельно говорит о трудных записях: по её словам, модель справляется с сильным фоновым шумом и распознаёт пение. В китайских и английских записях она может сама писать числа и даты цифрами, а не словами. В январе 2026 года Qwen выложила открытые модели той же линейки, Qwen3-ASR-1.7B и Qwen3-ASR-0.6B, под лицензией Apache 2.0. В их техническом отчёте облачная Flash приведена для сравнения и на большинстве тестов ошибается реже открытых моделей.

Главное ограничение — длина записи: за один запрос модель принимает не больше 5 минут и 10 МБ. Для длинных файлов, до 12 часов, у Alibaba есть версия Qwen3-ASR-Flash-Filetrans. Она работает асинхронно: запись обрабатывается в фоне, а готовый текст забирают позже. В режиме, совместимом с API OpenAI, модель не возвращает временные метки и принимает только ссылки на общедоступные файлы, а не файлы с компьютера. Различать реплики разных собеседников модель не умеет. Для расшифровки в реальном времени документация теперь советует модели более новой линейки Qwen-Audio-3.1, а для коротких файлов по-прежнему называет Qwen3-ASR-Flash.

источники:Руководство по распознаванию речи в Model Studio ↗Справочник API Qwen-ASR ↗Технический отчёт Qwen3-ASR ↗

Новости о модели

все упоминания · 72

  1. Qwen3.8 на ноутбуке Уиллисона определила по числовым параметрам, во что играют нейросети

    Уиллисон показал, что определить по числовым параметрам нейросети, во что она играет, может не только GPT-6 Astra, но и открытая модель на 17 ГБ — правда, на каждый ответ уходит около часа.

  2. Движок TokenSpeed ускорил Qwen3.8-Flash-Next до 685 токенов в секунду

    Открытый движок TokenSpeed выдаёт ответ модели Alibaba со скоростью 685 токенов в секунду, если на четырёх ускорителях NVIDIA GB300 работает один пользователь.

  3. Диффузионная модель ALoDLM обошла исходную Qwen3 в среднем по 11 тестам

    Языковая модель ALoDLM, сделанная из Qwen3, до четырёх раз пропускает трудные места текста через слои нейросети и, по замерам авторов, в среднем точнее Qwen3, а на школьных задачах в 2,7 раза быстрее.

  4. Рассуждая по шагам, Qwen3.8 27B почти без ошибок сложила большие числа и записала ответ словами

    В опыте Саймона Уиллисона Qwen3.8 27B без рассуждений правильно посчитала и записала прописью около четверти сумм чисел до 13 цифр, а с рассуждениями — 167 из 169.

  5. Alibaba выпустила модель синхронного перевода речи Qwen3.8-LiveTranslate

    Модель Alibaba переводит живую речь с 60 языков, различает собеседников и озвучивает перевод их голосами. Отстаёт от говорящего она в среднем на 2,3 секунды.

  6. Alibaba выпустила Qwen3.8-Omni-Flash — модель, которая смотрит видео, слушает звук и работает с инструментами

    Qwen3.8-Omni-Flash принимает текст, картинки, звук и видео, держит контекст до 1 млн токенов и умеет вызывать инструменты. По данным Alibaba, обработка видео стоит примерно на 89% меньше, чем у Qwen3.5-Omni-Plus.

Данные: models.dev (MIT).