🎙️ Alibaba выпустила Qwen3-ASR-Flash — универсальную модель распознавания речи

Команда Qwen анонсировала Qwen3-ASR-Flash — специализированную ASR модель (автоматическое распознавание речи), обученную на базе Qwen3-Omni. Модель тренировалась на десятках миллионов часов речевых данных и показывает впечатляющие результаты на бенчмарках.

Ключевые характеристики:
Поддерживает 11 языков с диалектами: китайский (мандарин + кантонский, сычуаньский), английский (американский, британский), французский, немецкий, испанский, итальянский, португальский, русский, японский, корейский, арабский

Автоматическое определение языка и фильтрация тишины/шума

Контекстная настройка — можно подавать любой текст для улучшения точности (имена, жаргон, даже бессмыслицу)

Производительность превосходит конкурентов: 🖥️⚡ На тестах августа 2025 года Qwen3-ASR-Flash показал ошибку всего 3.97% на стандартном китайском против 8.98% у Gemini-2.5-Pro и 15.72% у GPT-4o-Transcribe. На английском — 3.81% против 7.63% и 8.45% соответственно.

Уникальная фишка — музыка: 🎵 Модель отлично распознает тексты песен с фоновой музыкой (ошибка 4.51% против 32.79% у Gemini и 58.59% у GPT-4o на полных песнях). Работает даже с рэпом и сложными акустическими условиями.

Для русского языка: 🇷🇺 Входит в список поддерживаемых языков, но пока нет детальных тестов качества работы с кириллицей.

Доступность: ✅🔒 Доступен только через API Alibaba Cloud (платформа Bailian). Веса модели не открыты. Есть демо на HuggingFace для тестирования.

🔗 Основные ссылки:
🎮 HuggingFace Demo
🏠 Официальный блог Qwen
🤖 ModelScope Demo
🔧 API Alibaba Cloud

#Qwen3ASR #ИИ #написаноклодом