6.1
深览指数
科技智东西··AI 生成
阿里语音模型再进化！专有名词一键拿捏，口头禅实时润色
千问大模型团队发布 Qwen-Audio-3.0-ASR-Flash，升级重点从通用准确率转向专业场景适配：通过上下文记忆、内化行业知识库（医疗专业词听中率 95.36%）和分级热词机制，试图解决医疗/工业等垂直领域术语识别与热词定制难题。同时，模型新增语音润色能力，可直接去除口头禅、重组语序，输出结构化文本。该评测数据来自阿里官方，缺乏第三方验证，但验证了行业竞争从“错字率”转向“落地效率”的趋势。适合关注语音产品落地者或技术选型者参考。原文 ↗
核心观点
- ▍Qwen-Audio-3.0-ASR-Flash 的升级重点从通用错字率转向专业场景适配，试图通过上下文记忆、内化行业知识库和分级热词机制解决医疗/工业等垂直领域的术语识别与热词定制难题。
- 01在医疗场景，模型对专业词的“听中率”达到 95.36%，工业、IT 编程、畜牧业准确率同样超过 90%。
- 02模型在传入热词的情况下，热词“听中率”在所有测试集都达到 90% 以上，多数场景突破 99%。
- 03模型具备语音润色能力，能直接去除口头禅、清理口吃重复、处理自我纠正，输出结构化文本，其可读性平均分从 2.55 提升至 3.43。
- 04模型支持多语言混合识别，涵盖中文、日语、韩语、东南亚语言及欧洲主流语言，七个语种评测的平均语义错误率为 17.09%，优于 Azure、ElevenLabs Scribe v2 等竞品。
- 05在中文工业场景下，模型平均错字率仅 7.8%；英文工业场景为 11.52%。
反方 / 局限
- — 所有评测数据均来自阿里官方披露，缺乏第三方独立验证，实际落地效果与在标准测试集上的表现可能存在差距。
- — 模型虽声称内化行业知识库，但未公开具体行业词库的构建方式、覆盖范围及更新机制，对长尾冷门术语的泛化能力存疑。
10 分钟 · 4 卡片 · 9 资料
读原文 →