论文页面 - Qwen-Audio-3.1-ASR 技术报告

来源：https://huggingface.co/papers/2610.28711

作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

我们提出 Qwen-Audio-3.1-ASR，这是一系列音频-语言模型，在其前代 Qwen-Audio-3.0-ASR 的基础上构建，具备改进的语音识别能力，并扩展了说话人分离转写和通用音频理解功能。该系列模型保留了对 30 种语言和 16 种中文方言的支持，并具备指令可控能力，包括历史上下文条件化、层级化热词定制以及原生转写润色。说话人分离 ASR 能够生成包含说话人标签、时间戳和识别文本的结构化输出，在不同轮次间保持一致的说话人标签，并能表示重叠语音。通用音频理解能力涵盖音频、语音和音乐描述，时序定位与声音事件检测，以及音频问答和多选推理。这些任务将应用范围从识别语音内容扩展到理解说话人、声学事件及其时序关系。为适应不同的部署需求，该系列包含异步文件转写、低延迟流式传输、交互式语音输入和非流式识别等多种变体，其中部分变体支持说话人分离转写和通用音频理解。评测覆盖常规 ASR、多语言和方言语音、说话人分离转写以及通用音频理解，展示了 Qwen-Audio-3.1-ASR 系列在转写和更广泛音频分析任务中的能力。

查看 arXiv 页面 (https://arxiv.org/abs/2610.28711)　查看 PDF (https://arxiv.org/pdf/2610.28711)　添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.28711)

在你的 agent 中获取此论文：

hf papers read 2610\.28711

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2610.28711 即可从本页面关联。

引用此论文的数据集 0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.28711 即可从本页面关联。

引用此论文的 Spaces 0

暂无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2610.28711 即可从本页面关联。

收录此论文的合集 0

暂无合集收录此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可从本页面关联。