Qwen-Audio-3.1-ASR 技术报告:增强分离转写
一份于 2026 年 10 月 20 日提交至 arXiv 的 31 页技术报告介绍了 Qwen-Audio-3.1-ASR。作者称这是一个在 Qwen-Audio-3.0-ASR 基础上构建的音频语言模型系列,提升了语音识别能力,并扩展了说话人分离转写与通用音频理解能力。作者表示该系列保留 30 种语言和 16 种中文方言的支持,并加入历史上下文条件控制、分层热词定制、原生转写润色等指令控制能力;该系列还包含面向异步文件转写、低延迟流式、交互式语音输入和非流式识别的多个变体。报告还称,说话人分离转写可输出说话人标签、时间戳和文本,并在多轮对话与重叠语音中保持一致;通用音频理解则覆盖音频、语音与音乐描述、时间定位、声音事件检测、音频问答及多项选择推理。评估据称覆盖常规语音识别、多语言与方言语音、说话人分离转写和音频理解,但页面未给出具体数值结果或独立测评。
报告称该系列把音频模型从识别文字扩展到理解说话人、声学事件及其时间关系,并提供四种部署变体。
Computer Science > Sound
arXiv:2610.28711 (cs)
[Submitted on 20 Oct 2026]
Title:Qwen-Audio-3.1-ASR Technical Report
Authors: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
View a PDF of the paper titled Qwen-Audio-3.1-ASR Technical Report, by Chuanmeng Bian and 47 other authors