Qwen3-ASR-0.6B 是阿里通义千问团队开源的一体化语音识别模型，基于 Qwen3-Omni 的音频理解能力构建，单个模型即可完成语种识别与语音转写，覆盖 30 种语言与 22 种中文方言。

核心特性

• 一体化识别：同一模型完成语种识别（LID）与语音转写，自动判断语种，也可手动指定识别语言
• 方言覆盖广：除 30 种语言外，支持四川、粤语、闽南、吴语、河南、东北等 22 种中文方言
• 词级时间戳：可开关的时间戳输出，返回词/字级时间位置，方便字幕对齐与二次剪辑
• 复杂声学环境稳健：对含背景音乐、歌声与人声混合的音频仍保持较高质量识别
• 上下文提示：可通过上下文提示注入领域词汇，提升专有名词与品牌名识别准确率
• 高效部署：0.6B 参数兼顾精度与速度，默认 GPU（NVIDIA CUDA / Apple MPS），无 GPU 自动降级 CPU

适用场景

短视频与直播字幕、会议与访谈转写、方言音频整理、播客与课程文稿、语音数据标注

更多信息可参考：https://github.com/QwenLM/Qwen3-ASR