# Qwen3-ASR - 开源最强中文语音识别+时间戳对齐

> 阿里Qwen团队出品，中文WER开源最低，配套ForcedAligner毫秒级时间戳，视频配音翻译链路的基础设施

Qwen3-ASR 是阿里 Qwen 团队开源的语音识别模型家族，2026年1月发布，Apache 2.0 许可。包含三个模型：Qwen3-ASR-1.7B、Qwen3-ASR-0.6B（语音转文字）和 Qwen3-ForcedAligner-0.6B（文字-音频时间戳对齐）。

## 核心能力

**52种语言+22种中文方言**，包括普通话、粤语、英语、日语、韩语、越南语、阿拉伯语等主流语言，以及安徽话、东北话、四川话、闽南语、吴语等方言。模型内置语言识别，不需要手动指定语言。

**中文识别率开源最强。** Qwen3-ASR-1.7B 中文 WER 13.91%，在公开和阿里内部 benchmark 上均超越 Whisper large-v3，与最强的商业 API（GPT-4o-transcribe 等）持平甚至领先。粤语和方言场景优势尤其大。

**速度极快。** Qwen3-ASR-0.6B 在 128 并发下可实现 2000 倍实时吞吐，首 token 延迟低至 92ms。1.7B 版本在速度和准确率之间取得了很好的平衡。支持离线和流式两种模式，一个模型统一搞定。

**支持唱歌识别和BGM背景。** 不只是纯语音，带背景音乐的歌曲也能识别歌词。

## ForcedAligner — 配套时间戳对齐模型

Qwen3-ForcedAligner-0.6B 是一个非自回归的时间戳预测模型。输入音频+文字，输出每个字/词的起止时间，精度达到毫秒级。

**工作方式：** 先用 ASR 模型把语音转成文字，再把文字和原始音频一起喂给 ForcedAligner，就能得到每个字对应的时间戳。官方 Gradio Demo 支持一键启用（加 `--aligner-checkpoint` 参数即可）。

**精度超越所有开源对齐方案。** 论文对比了三个最强的端到端对齐模型，Qwen3-ForcedAligner 在时间戳准确率上全面胜出。支持中英日韩法德意葡俄西+粤语共 11 种语言，单次最长处理 5 分钟音频。

## 实际应用场景

- **视频口播转录：** 抖音/小红书/B站视频的口播内容提取，生成带时间戳的字幕
- **视频翻译配音：** 原语言转写+时间戳对齐→翻译→目标语言TTS→按时间轴合成，整个链路的基础
- **会议/播客转录：** 长音频离线批量处理
- **实时语音输入：** CapsWriter-Offline 等工具已集成 Qwen3-ASR 作为可选引擎
- **字幕生成：** 视频自动加字幕

## 部署

提供 `qwen-asr` Python 包，支持 Transformers 和 vLLM 两种后端。vLLM 后端适合高并发服务部署，Transformers 后端适合单机使用。还提供 Gradio Web Demo（`qwen-asr-demo` 命令一键启动）和 Docker 部署方式。模型支持 PyTorch、MLX（Apple Silicon）和 vLLM 推理。

**显存需求：** ASR-1.7B 约 4GB，ForcedAligner-0.6B 约 1.5GB（bf16）。两个模型不同时推理，峰值取较大的即可。普通 GPU 就能跑。

## 生态

- GitHub 3.4k+ Stars
- HuggingFace / ModelScope 同步托管
- 阿里云 DashScope API 可直接调用（免部署）
- 2026年6月新增原生 Transformers 支持，含 `torch.compile` 加速
- 社区已有多款工具集成（CapsWriter-Offline、KrillinAI 等）

## 和 Whisper 的关系

Whisper 仍然是生态最成熟、工具链最完善的选择，支持 99 种语言。但 Qwen3-ASR 在中文和粤语识别率上明显领先，速度快几个数量级，且 ForcedAligner 的时间戳精度是 Whisper 的 word-level timestamp 无法比拟的。新建中文语音识别项目优先考虑 Qwen3-ASR，已有的 Whisper 部署如果有中文准确率瓶颈也值得切换。

---

**分类**：软件
**标签**：时间 · 模型 · Qwen3
**作者**：子龙
**链接**：https://octohz.com/p/2067