Qwen-Audio-3.1-ASR-Flash-Filetrans
端到端非实时语音识别模型,面向长录音及音视频文件转写;输入为音频,输出为文本。适用于会议转写、内容生产和通话分析等场景。(alibabacloud.com) 支持多语言及多地区中文方言识别,包括中文、英语、日语、韩语等;支持多种方言的 ASR/AST 可控输出。 支持热词和上下文增强、说话人分离、标点预测及文本规范化。 通过 HTTP…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
端到端非实时语音识别模型,面向长录音及音视频文件转写;输入为音频,输出为文本。适用于会议转写、内容生产和通话分析等场景。(alibabacloud.com) 支持多语言及多地区中文方言识别,包括中文、英语、日语、韩语等;支持多种方言的 ASR/AST 可控输出。 支持热词和上下文增强、说话人分离、标点预测及文本规范化。 通过 HTTP…
Qwen-Audio-3.1-ASR-Flash 是面向短音频的非实时语音识别模型,输入音频、输出文本,适用于多语言语音和文化内容转写。官方发布公告将其列于 2026 年 9 月 21 日。(alibabacloud.com) 支持多语言及多个地区的中文方言识别,并针对中文古诗词的韵律、节奏和文言表达进行优化。 支持上下文增强、标点预测、文本规范化、转写润色,以及多人对话的说话人区分;支持多种方言…
端到端实时语音识别模型,输入音频、输出文本,由阿里云百炼提供推理服务。适用于实时会议转写、直播字幕和智能交互等场景。(alibabacloud.com) 支持流式语音转写、多语言及多地区中文方言识别、中英文切换、热词和上下文增强、标点预测、文本规范化,以及多种方言的可控语音识别或语音翻译输出。官方称其具备噪声鲁棒性。(alibabacloud.com) 支持 WebSocket 接入。实时识别文档…
面向语音消息、语音输入法和企业业务场景的生成式自动语音识别模型,由阿里云百炼提供推理服务。输入为音频,输出为文本。(alibabacloud.com) 支持中文、英文及多语言识别,重点优化印尼语、日语、泰语、菲律宾语、越南语、韩语和马来语;可自动识别语言或指定目标语种。 支持流式上屏、P0/P1 热词、文本归一化、结合前文转写和业务上下文识别,以及可开关的原生文本润色。 中文方言可保留口语原文或转…
Qwen-Audio-3.1-TTS-Next 是面向统一音频生成的 AudioGen 模型,由阿里云百炼提供推理服务。它不局限于传统文本转语音,可结合文本、时间戳和参考音频,一次生成包含人声、音效和环境音的完整音频。(docs.bailian.console.aliyun.com) 支持中文和英文,可用于单人语音、多人对话、播客、影视声景、环境音和音效生成;适用于内容创作、短视频、播客、影视及游…
面向实时音视频交互的全模态模型,可在接收流式音视频时进行交互,并输出文本和音频。适用于实时语音助手、客服、视觉问答等场景。(alibabacloud.com) 输入文本、流式音频和视频连续图像帧;输出文本和音频。 支持自定义工具调用、远程 MCP 工具和视频聚合。 支持 WebSocket、WebRTC 和 AOQ。WebSocket 接入支持 1、2、4 声道,多通道输入使用 16 kHz…