7月31日，阿里巴巴发布语音识别大模型Qwen-Audio-3.0-ASR-Flash，在上下文一致性、行业词识别和热词定制化三个维度系统性升级，同时具备语音润色能力，可直接输出结构化文本。

目前，Qwen-Audio-ASR系列已在会议纪要整理、实时字幕、教育录播、智能客服等场景中获得广泛验证，离线版本曾在全球权威AI评测平台Artificial Analysis以1.7%的错字率位列全球第 一。

识准专业词汇，是ASR模型走向行业落地的"最后一公里"，也是本次升级的核心。Qwen-Audio-3.0-ASR-Flash新增长音频Context能力：模型在转写当前语音片段时，可参考近期已识别的上下文，延续同一话题中的关键词与语义线索，从而减少同音词误判。在一场长达数小时的会议录音中，同一位发言人的名字、同一个技术概念，不会因为跨了多个语音片段就被忘记或认错。

在行业词识别方面，研究团队构建了覆盖医疗、IT编程、股票、社会名人等领域的高质量词库，并基于这些实体词合成相关训练数据。在最新的行业词汇内部评测中，新模型的行业词召回率均有显著提升，其中医疗场景突破95.36%。

热词定制方面，Qwen-Audio-3.0-ASR-Flash采用模型结合声学证据与上下文进行智能判断的方式，而非简单替换。在传入热词的条件下，热词定制化准确率在所有测试集均达到90%以上，多数场景更是突破99%。

此外，该模型还具备语音润色能力：口语中的填充词被直接去除，自我修正只保留最终意图，散乱的口述可自动整理为结构化表达。这些润色由ASR模型在识别环节一步完成，无需再调用下游文本大模型。即日起，该模型已在阿里云百炼平台开放调用。