语音识别 - 阿里云百炼

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	`qwen-audio-3.0-asr-flash-streaming`
非实时 / 文件转写	OpenAI gpt-4o-transcribe、Whisper	`qwen-audio-3.0-asr-flash-filetrans`、`qwen-audio-3.0-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（实时语音识别）：基于WebSocket协议，音频流式输入，文本流式输出。适用于实时字幕、语音助手和会议转写。推荐使用 qwen-audio-3.0-asr-flash-streaming（热词、Prompt上下文、多语种及方言）。
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-3.0-asr-flash-filetrans（热词、Prompt上下文、说话人分离）。

Qwen-Audio-3.0-ASR-Flash-Streaming 和 Fun-ASR-Realtime 系列模型还支持通过 AOQ 协议接入；如果是客户端对接，且更看重稳定的延迟、弱网下的交互能力、实时双工的降噪与回声消除，可优先考虑 AOQ，协议对比与选型请参见Realtime API 概述。 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans，以及 Fun-ASR 和 Qwen-ASR 的实时模型支持通过 DashScope SDK（Java、Python）接入。Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Fun-ASR 模型还支持 Android、iOS SDK 接入，速度快。其他模型需根据对应的 WebSocket 或 HTTP 协议直接调用。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：

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-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型。
热词：提供带权重的词汇表。推荐使用 Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans 和 Qwen-Audio-3.0-ASR-Flash 系列模型。

说话人分离

Qwen-Audio-3.0-ASR-Flash-Filetrans 系列（qwen-audio-3.0-asr-flash-filetrans）以及 Fun-ASR 系列的非实时模型（fun-asr、fun-asr-mtl）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-3.0-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）。

所有模型

Qwen-Audio-3.0-ASR-Flash-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-3.0-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-3.0-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-3.0-ASR-Flash-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-3.0-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-3.0-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-3.0-ASR-Flash

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-3.0-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-3.0-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-realtime-2025-11-07`	实时	WebSocket	热词	不支持	不支持	多语种及方言	无限制
`fun-asr-realtime-2025-09-15`	实时	WebSocket	热词	不支持	不支持	中、英	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
`fun-asr-2025-11-07`	非实时	HTTP	热词	不支持	支持	多语种及方言	12小时 / 2GB
`fun-asr-2025-08-25`	非实时	HTTP	热词	不支持	支持	中、英	12小时 / 2GB
`fun-asr-mtl`	非实时	HTTP	热词	不支持	支持	多语种及方言	12小时 / 2GB
`fun-asr-mtl-2025-08-25`	非实时	HTTP	热词	不支持	支持	多语种及方言	12小时 / 2GB

支持的语言（按版本）：

Fun-ASR-Realtime 主版本（fun-asr-realtime、fun-asr-realtime-2025-11-07）：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-realtime-2025-09-15：中文（普通话）、英文
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、fun-asr-2025-11-07）：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
fun-asr-2025-08-25：中文（普通话）、英文
Fun-ASR（MTL）（fun-asr-mtl、fun-asr-mtl-2025-08-25）：中文（普通话、粤语）、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-realtime-2026-02-10`	实时	WebSocket	不支持	支持	不支持	多语种及方言	无限制
`qwen3-asr-flash-realtime-2025-10-27`	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-filetrans-2025-11-17`	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
`qwen3-asr-flash-2026-02-10`	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
`qwen3-asr-flash-2025-09-08`	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 及其快照版）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-v1`	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-realtime-8k-v1`	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
`paraformer-v1`	HTTP	录音文件识别，支持说话人分离，中、英、日、韩、德、法、俄
`paraformer-8k-v1`	HTTP	录音文件识别，8kHz电话场景，中文
`paraformer-mtl-v1`	HTTP	录音文件识别，支持说话人分离，多语种

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-v1、paraformer-realtime-8k-v2、paraformer-realtime-8k-v1、paraformer-8k-v2、paraformer-8k-v1：中文普通话
paraformer-v1：中文普通话、英文
paraformer-mtl-v1：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）、英文、日语、韩语、西班牙语、印尼语、法语、德语、意大利语、马来语

其他（即将下线）

以下模型已计划下线，仅供存量业务参考，请尽快迁移到推荐模型。

模型ID	API	说明
`gummy-realtime-v1`	WebSocket	实时识别，中、英及方言
`gummy-chat-v1`	WebSocket	短音频实时识别（1分钟限制），多语种
`sensevoice-v1`	HTTP	录音文件识别，多语种

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-3.0-ASR-Flash-Streaming（`qwen-audio-3.0-asr-flash-streaming` 系列）	二进制（Binary）流	`pcm`、`wav`、`mp3`、`opus`、`speex`、`aac`、`amr`	任意	不限
Fun-ASR-Realtime（`fun-asr-realtime` 系列）	二进制（Binary）流	`pcm`、`wav`、`mp3`、`opus`、`speex`、`aac`、`amr`	任意	不限
Fun-ASR-Flash-8K-Realtime（`fun-asr-flash-8k-realtime` 系列）	二进制（Binary）流	同 Fun-ASR-Realtime	8 kHz	不限
Qwen-ASR-Realtime（`qwen3-asr-flash-realtime` 系列）	二进制（Binary）流	`pcm`、`opus`	8 kHz、16 kHz	不限
Paraformer-Realtime（`paraformer-realtime-v2/v1`、`paraformer-realtime-8k-v2/v1`）	二进制（Binary）流	同 Fun-ASR-Realtime	`paraformer-realtime-v2` 任意；`paraformer-realtime-v1` 16 kHz；`paraformer-realtime-8k-*` 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-3.0-ASR-Flash-Filetrans（`qwen-audio-3.0-asr-flash-filetrans` 系列）	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-3.0-ASR-Flash（`qwen-audio-3.0-asr-flash` 系列）	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（`fun-asr`、`fun-asr-mtl` 系列）	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（`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`、`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（`paraformer-v2/v1`、`paraformer-mtl-v1`、`paraformer-8k-v2/v1`）	同 Fun-ASR	同 Fun-ASR	`paraformer-v2/v1` 任意；`paraformer-8k-*` 仅 8 kHz；`paraformer-mtl-v1` 16 kHz 及以上	同 Fun-ASR
Qwen3-ASR-Flash-Filetrans（`qwen3-asr-flash-filetrans` 系列）	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（`qwen3-asr-flash` 系列）	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

​从闭源模型迁移到百炼?

​选型决策维度

​实时还是非实时？

​处理专业术语

​说话人分离

​情感识别

​推荐模型

​所有模型

​Qwen-Audio-3.0-ASR-Flash-Streaming

​Qwen-Audio-3.0-ASR-Flash-Filetrans

​Qwen-Audio-3.0-ASR-Flash

​Fun-ASR

​Qwen-ASR

​Paraformer

​其他（即将下线）

​音频规格

​实时

​非实时

从闭源模型迁移到百炼?

选型决策维度

实时还是非实时？

处理专业术语

说话人分离

情感识别

推荐模型

所有模型

Qwen-Audio-3.0-ASR-Flash-Streaming

Qwen-Audio-3.0-ASR-Flash-Filetrans

Qwen-Audio-3.0-ASR-Flash

Fun-ASR

Qwen-ASR

Paraformer

其他（即将下线）

音频规格

实时

非实时