语音识别概述

​

从闭源模型迁移到百炼?

如果你正在使用 Whisper、Deepgram 或 Google 的语音识别服务，可参考下表选择对应的百炼模型。

使用场景	闭源模型代表	百炼推荐
实时识别	Deepgram Nova-3、Google Chirp 3	输入法、语音消息：qwen-audio-3.1-asr-flash-message 持续转写：qwen-audio-3.1-asr-flash-streaming
非实时 / 文件转写	OpenAI gpt-4o-transcribe、Whisper	qwen-audio-3.1-asr-flash-filetrans、qwen-audio-3.1-asr-flash

本文按“先选维度、再看模型”的顺序帮助您完成选型：先从“选型决策维度”（实时/非实时、专业术语、说话人分离、情感识别）确认场景；再到“推荐模型”查看针对各场景的首选；如需更多版本可在“所有模型”按系列展开；最后到“音频规格”核对输入文件约束。各模型支持的语言（含方言）随附在“所有模型”的各系列子节内。

​

选型决策维度

从以下 4 个维度逐项确认，每个维度都会推荐适配的模型。

​

实时还是非实时？

实时是指在用户说话的同时输出识别结果，非实时是指录音结束后再进行转写。

• 实时语音识别通过 WebSocket 流式输入音频。按使用场景选择：
  • 输入法、语音消息等短段语音输入：推荐 qwen-audio-3.1-asr-flash-message，首字和整体延迟较低，支持文本润色，并在一段语音结束后整理最终结果。
  • 会议、课堂记录等持续转写场景：推荐 qwen-audio-3.1-asr-flash-streaming，适合边转写边阅读、对中间结果准确性要求较高的应用。
• 非实时（录音文件识别）：基于HTTP协议，提交音频文件获取识别结果。适用于呼叫中心录音、播客和访谈等场景。推荐使用 qwen-audio-3.1-asr-flash-filetrans（热词、Prompt上下文、说话人分离）。

客户端接入如需稳定的延迟、弱网适应能力，以及实时双工的降噪与回声消除，可参考 Realtime API 概述中的 AOQ 协议选型及支持范围。 各模型的 HTTP、WebSocket 接口和 SDK 接入方式，请参见语音识别 API 参考。SDK 支持的模型和参数以对应 SDK 文档为准。 选择实时接入请参考实时语音识别，选择非实时接入请参考非实时语音识别。

​

处理专业术语

两种方式，按灵活性排序：

1. Prompt上下文注入：在系统提示词中描述您的领域背景，无需预配置。模型在每次请求时自适应。推荐使用 qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.1-asr-flash-filetrans 和 qwen-audio-3.1-asr-flash 模型。
2. 热词：提供带权重的词汇表。推荐使用 qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.1-asr-flash-filetrans 和 qwen-audio-3.1-asr-flash 模型。

qwen-audio-3.1-asr-flash-message 支持即时热词、预编译热词以及对话上下文增强。通过 vocabulary 或 vocabulary_id 配置热词；通过 input.context 传入前几轮用户转写与助手回复。参数定义请参见 客户端事件。

​

说话人分离

qwen-audio-3.1-asr-flash、qwen-audio-3.1-asr-flash-filetrans、qwen-audio-3.0-asr-flash-filetrans 以及 Fun-ASR 系列的非实时模型（fun-asr）支持说话人分离。如果您需要区分“谁说了什么”，推荐使用 qwen-audio-3.1-asr-flash-filetrans。

​

情感识别

Qwen-ASR 系列模型在转写的同时支持情感识别。推荐使用 qwen3-asr-flash-realtime（实时）或 qwen3-asr-flash-filetrans（非实时）。

​

推荐模型

以下为各场景下最推荐的模型，可前往模型广场查看详情。

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
qwen-audio-3.1-asr-flash-message	实时	WebSocket	热词、上下文	不支持	不支持	多语种及方言	—
qwen-audio-3.1-asr-flash-streaming	实时	WebSocket	热词、Prompt上下文	不支持	不支持	多语种及方言	无限制
qwen-audio-3.1-asr-flash-filetrans	非实时	HTTP	热词、Prompt上下文	不支持	支持	多语种及方言	12小时 / 2GB

​

所有模型

​

Qwen-Audio-ASR-Message

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
qwen-audio-3.1-asr-flash-message	实时	WebSocket	热词、上下文	不支持	不支持	多语种及方言	—

支持的语言：

• qwen-audio-3.1-asr-flash-message：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语

​

Qwen-Audio-ASR-Streaming

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
qwen-audio-3.1-asr-flash-streaming	实时	WebSocket	热词、Prompt上下文	不支持	不支持	多语种及方言	无限制
qwen-audio-3.0-asr-flash-streaming	实时	WebSocket	热词、Prompt上下文	不支持	不支持	多语种及方言	无限制

支持的语言（按版本）：

• qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.0-asr-flash-streaming：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语

​

Qwen-Audio-ASR-Filetrans

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
qwen-audio-3.1-asr-flash-filetrans	非实时	HTTP	热词、Prompt上下文	不支持	支持	多语种及方言	12小时 / 2GB
qwen-audio-3.0-asr-flash-filetrans	非实时	HTTP	热词、Prompt上下文	不支持	支持	多语种及方言	12小时 / 2GB

支持的语言（按版本）：

• qwen-audio-3.1-asr-flash-filetrans、qwen-audio-3.0-asr-flash-filetrans：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语

​

Qwen-Audio-ASR

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
qwen-audio-3.1-asr-flash	非实时	HTTP	热词、Prompt上下文	不支持	支持	多语种及方言	5分钟 / 2GB
qwen-audio-3.0-asr-flash	非实时	HTTP	热词、Prompt上下文	不支持	不支持	多语种及方言	5分钟 / 2GB

支持的语言（按版本）：

• qwen-audio-3.1-asr-flash、qwen-audio-3.0-asr-flash：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语

​

Fun-ASR

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
fun-asr-realtime	实时	WebSocket	热词	不支持	不支持	多语种及方言	无限制
fun-asr-realtime-2026-02-28	实时	WebSocket	热词	不支持	不支持	中、英、日及方言	无限制
fun-asr-flash-8k-realtime	实时	WebSocket	热词	不支持	不支持	中文	无限制
fun-asr-flash-8k-realtime-2026-01-28	实时	WebSocket	热词	不支持	不支持	中文	无限制
fun-asr	非实时	HTTP	热词	不支持	支持	多语种及方言	12小时 / 2GB
fun-asr-flash-2026-06-15	非实时	HTTP	Prompt上下文	不支持	不支持	多语种及方言	5分钟 / 2GB

支持的语言（按版本）：

• Fun-ASR-Realtime 主版本（fun-asr-realtime）：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
• fun-asr-realtime-2026-02-28：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语
• Fun-ASR-Flash-Realtime（8K）（fun-asr-flash-8k-realtime、fun-asr-flash-8k-realtime-2026-01-28）：中文
• Fun-ASR 主版本（fun-asr）：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语
• Fun-ASR-Flash（fun-asr-flash-2026-06-15）：中文（普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语；并支持中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等，包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等地区官话口音）、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语

​

Qwen-ASR

模型ID	模式	API	精度增强	情感识别	说话人分离	支持语言	音频最大时长/大小
qwen3-asr-flash-realtime	实时	WebSocket	不支持	支持	不支持	多语种及方言	无限制
qwen3-asr-flash-filetrans	非实时	HTTP	不支持	支持	不支持	多语种及方言	12小时 / 2GB
qwen3-asr-flash	非实时	HTTP（OpenAI兼容）	不支持	支持	不支持	多语种及方言	5分钟 / 10MB

支持的语言：所有 Qwen-ASR 系列模型（qwen3-asr-flash-realtime、qwen3-asr-flash-filetrans、qwen3-asr-flash）均支持相同的语言列表：中文（普通话、四川话、闽南语、吴语、粤语）、英语、日语、德语、韩语、俄语、法语、葡萄牙语、阿拉伯语、意大利语、西班牙语、印地语、印尼语、泰语、土耳其语、乌克兰语、越南语、捷克语、丹麦语、菲律宾语、芬兰语、冰岛语、马来语、挪威语、波兰语、瑞典语。

​

Paraformer

Paraformer 是较早一代的 ASR 模型，包括实时与非实时两类。若您的业务允许，建议迁移到前文推荐的 Fun-ASR 或 Qwen-ASR。

模型ID	API	说明
paraformer-realtime-v2	WebSocket	实时识别，中、英、日、韩、德、法、俄
paraformer-realtime-8k-v2	WebSocket	实时识别，8kHz电话场景，中文
paraformer-v2	HTTP	录音文件识别，支持说话人分离，中、英、日、韩、德、法、俄
paraformer-8k-v2	HTTP	录音文件识别，8kHz电话场景，中文

支持的语言（按版本）：

• paraformer-realtime-v2、paraformer-v2：中文（普通话、粤语、吴语、闽南语、东北话、甘肃话、贵州话、河南话、湖北话、湖南话、宁夏话、山西话、陕西话、山东话、四川话、天津话、江西话、云南话、上海话）、英文、日语、韩语、德语、法语、俄语
• paraformer-realtime-8k-v2、paraformer-8k-v2：中文普通话

​

音频规格

下表汇总了实时和非实时两种模式下的音频规格（输入方式、格式、采样率、大小/时长）。各模型支持的语言（含方言）见上文“所有模型”内对应系列子节。

​

实时

模型ID	输入方式	音频格式	采样率	大小/时长
qwen-audio-3.1-asr-flash-message	二进制（Binary）流	pcm、wav、mp3、opus、speex、aac、amr	16 kHz	—
qwen-audio-3.1-asr-flash-streaming、qwen-audio-3.0-asr-flash-streaming	二进制（Binary）流	pcm、wav、mp3、opus、speex、aac、amr	任意	不限
Fun-ASR-Realtime系列（fun-asr-realtime等）	二进制（Binary）流	pcm、wav、mp3、opus、speex、aac、amr	任意	不限
Fun-ASR-Flash-8K-Realtime系列（fun-asr-flash-8k-realtime等）	二进制（Binary）流	同 Fun-ASR-Realtime	8 kHz	不限
qwen3-asr-flash-realtime	二进制（Binary）流	pcm、opus	8 kHz、16 kHz	不限
paraformer-realtime-v2、paraformer-realtime-8k-v2	二进制（Binary）流	同 Fun-ASR-Realtime	paraformer-realtime-v2 任意；paraformer-realtime-8k-v2 8 kHz	不限

所有实时模型均为单声道输入。

​

非实时

模型ID	输入方式	音频格式	采样率	文件大小/时长
qwen-audio-3.1-asr-flash-filetrans、qwen-audio-3.0-asr-flash-filetrans	公网可访问的文件 URL，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	任意	≤2 GB；≤12 小时（启用说话人分离建议 ≤2 小时）
qwen-audio-3.1-asr-flash	URL / Base64，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	任意	≤2 GB；≤5 分钟
qwen-audio-3.0-asr-flash	URL / Base64，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	任意	≤10 MB；≤5 分钟
fun-asr	公网可访问的文件 URL，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	任意	≤2 GB；≤12 小时（启用说话人分离建议 ≤2 小时）
fun-asr-flash-2026-06-15	URL / Base64，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	任意	≤2 GB；≤5 分钟
fun-asr-realtime、fun-asr-realtime-2026-02-28	URL / Base64，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	任意	≤2 GB；≤5 分钟
paraformer-v2、paraformer-8k-v2	同 Fun-ASR	同 Fun-ASR	paraformer-v2 任意；paraformer-8k-v2 仅 8 kHz	同 Fun-ASR
qwen3-asr-flash-filetrans	公网可访问的文件 URL，单次 1 个	aac、amr、avi、flac、flv、m4a、mkv、mov、mp3、mp4、mpeg、ogg、opus、wav、webm、wma、wmv	pcm 必须 16 kHz；其他格式任意（服务端会重采样为 16 kHz 再识别）	≤2 GB；≤12 小时
qwen3-asr-flash	URL / Base64 / 本地文件绝对路径，单次 1 个	aac、amr、avi、aiff、flac、flv、mkv、mp3、mpeg、ogg、opus、wav、webm、wma、wmv	pcm 必须 16 kHz；其他格式任意（服务端会重采样为 16 kHz 再识别）	≤10 MB；≤5 分钟