Qwen-Audio-3.1-ASR 技术报告发布
Qwen-Audio-3.1-ASR Technical Report
阿里发布 Qwen-Audio-3.1-ASR 系列音频语言模型，在前代 Qwen-Audio-3.0-ASR 基础上提升语音识别，并新增说话人分离转写与通用音频理解能力。该系列保留 30 种语言和 16 种中文方言支持，提供历史上下文条件、分层热词定制与原生转写润色等指令控制功能。模型包含异步文件转写、低延迟流式、交互式语音输入和非流式识别等变体，部分变体支持说话人分离转写与通用音频理解。
计算机科学 > 声音
arXiv:2610.28711 (cs)
作者：Chuanmeng Bian, Daren Chen, Peixin Chen, Zhigao Chen, Chong Deng, Zhiyun Fan, Zhifu Gao, Bo Gong, Qing Gu, Jiajun He, Yawei Hu, Yunjie Ji, Wei Ju, Jingbei Li, Xiangang Li, Xu Li, Zengxi Li, Zheng Li, Chengdong Liang, Baiji Liu, Yaming Liu, Ying Liu, Bin Ma, Yiping Peng, Yuezhang Peng, Zhendong Peng, Yu Pu, Yang Shi, Xin Shu, Jian Tang, Biao Tian, Peiyao Wang, Tianzi Wang, Wen Wang, Wupeng Wang, Cheng Wen, Yuzhong Wu, Zijian Xia, Yunchong Xiao, Nan Yang, Jianwei Yu, Jixing Yu, Binbin Zhang, Lei Zhang, Sitong Zhao, Guangdong Zhou, Yuan Zhou, Jianheng Zhuo
摘要：我们提出 Qwen-Audio-3.1-ASR，这是一系列音频语言模型，在其前代 Qwen-Audio-3.0-ASR 的基础上改进了语音识别能力，并扩展了说话人分离转写和通用音频理解能力。该系列保留对 30 种语言和 16 种中文方言的支持，同时具备指令控制能力，包括历史上下文条件化、分层热词定制和原生转写润色。说话人分离 ASR 生成包含说话人标签、时间戳和识别文本的结构化输出，在各轮次间保持一致的说话人标签，并能表示重叠语音。通用音频理解能力涵盖音频、语音和音乐描述，时间定位和声音事件检测，以及音频问答和多项选择推理。这些任务将应用范围从识别口语内容扩展到解读说话人、声学事件及其时间关系。为适应不同的部署需求，该系列包含用于异步文件转写、低延迟流式、交互式语音输入和非流式识别的变体，其中部分变体提供说话人分离转写和通用音频理解功能。评估涵盖传统 ASR、多语言和方言语音、说话人分离转写以及通用音频理解，展示了 Qwen-Audio-3.1-ASR 系列在转写和更广泛音频分析任务中的能力。
| 评论： | 31 页。作者按姓氏字母顺序排列。项目页面：此 https URL |
| 主题： | 声音 (cs.SD)；计算与语言 (cs.CL) |
| 引用为： | arXiv:2610.28711 [cs.SD] |
| （或 arXiv:2610.28711v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28711 由 DataCite 发放的 arXiv DOI（待注册） |
提交历史
发件人：Jiajun He [查看邮箱]
[v1]
2026年10月20日 星期二 17:08:12 UTC（2,819 KB）
当前浏览上下文：
cs.SD
切换浏览至：
收藏
文献与引用工具
与本文相关的代码、数据与媒体
演示
推荐与搜索工具
arXivLabs：与社区协作者开展的实验性项目
arXivLabs 是一个框架，允许协作者在我们的网站上直接开发和分享新的 arXiv 功能。
与 arXivLabs 合作的个人和组织都认同并接受了我们的价值观：开放、社区、卓越和用户数据隐私。arXiv 致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。
有能为 arXiv 社区带来价值的项目想法？进一步了解 arXivLabs。
来源：arXiv cs.CL · arxiv.org