KI SpotlightNewsQwen-Audio-3.1-ASR erkennt Sprecher und soll Audio über reine Transkription hinaus verstehen
Das Qwen-Team erweitert seine Audio-Modellfamilie um sprecherunterscheidende Transkription und allgemeines Audioverständnis. Konkrete Messwerte fehlen im vorliegenden Material.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Qwen-Audio-3.1-ASR ist eine Familie von Audio-Sprachmodellen auf Basis von Qwen-Audio-3.0-ASR.
- Die Familie unterstützt 30 Sprachen und 16 chinesische Dialekte.
- Die sprecherunterscheidende ASR liefert Sprecherlabels, Zeitstempel und erkannten Text.
- Das Audioverständnis umfasst Audio-, Sprach- und Musik-Captioning sowie Sound-Event-Erkennung.
- Qwen-Audio-3.1-ASR-Flash-Filetrans ist über Alibaba Cloud Model Studio in Singapur und China (Peking) verfügbar.
Qwen-Audio-3.1-ASR erkennt Sprecher und versteht Audio über reine Transkription hinaus
Das Qwen-Team hat Qwen-Audio-3.1-ASR vorgestellt, eine Familie von Audio-Sprachmodellen. Der Vorgänger ist Qwen-Audio-3.0-ASR. Laut Technical Report verbessert die neue Version die Spracherkennung. Das ist eine Herstellerangabe, die das vorliegende Material nicht überprüfen kann.
Neu ist die sprecherunterscheidende Transkription. Das Modell liefert strukturierte Ausgaben mit Sprecherlabels, Zeitstempeln und erkanntem Text. Die Labels bleiben über mehrere Gesprächsbeiträge hinweg konsistent. Überlappende Sprache bildet es ebenfalls ab.
Hinzu kommt allgemeines Audioverständnis. Die Modelle sollen Audio, Sprache und Musik beschreiben (Captioning), Ereignisse zeitlich verankern und Geräusche erkennen. Sie beantworten außerdem Fragen zu Audioinhalten, auch im Multiple-Choice-Verfahren. Der Report fasst die Reichweite so zusammen: Sie reicht vom Erkennen gesprochener Wörter bis zum Deuten von Sprechern, akustischen Ereignissen und ihren zeitlichen Beziehungen.
Nach Angaben des Reports bleiben die Unterstützung für 30 Sprachen und 16 chinesische Dialekte unverändert. Ebenso erhalten bleiben die instruktionsgesteuerten Funktionen: Verlaufskontext, hierarchische Hotwords und eine native Transkriptionspolitur.
Varianten für Dateien, Streaming und interaktive Eingabe, Zugang über Alibaba Cloud
Laut Report gibt es Varianten für asynchrone Dateitranskription, Streaming mit niedriger Latenz, interaktive Spracheingabe und nicht streamende Erkennung. Sprecherunterscheidung und Audioverständnis gibt es nur in bestimmten Varianten. Welche das sind, geht aus dem Auszug nicht hervor.
Zum Zugang liegen Angaben zu einer Variante vor. Qwen-Audio-3.1-ASR-Flash-Filetrans (API-ID qwen-audio-3.1-asr-flash-filetrans) ist über Alibaba Cloud Model Studio verfügbar, und zwar in den Regionen Singapur (international) und China (Peking). Die Variante ist für lange Aufnahmen offline ausgelegt. Eine Anfrage übergibt eine öffentlich erreichbare HTTP- oder HTTPS-URL. Die Verarbeitung läuft asynchron und liefert zunächst eine Task-ID. Für Echtzeit ist laut derselben Quelle Qwen-Audio-3.1-ASR-Flash-Streaming dokumentiert. Diese Angaben stammen von einer Drittseite, llms.ninja, die sich auf die Alibaba-Dokumentation beruft.
Als Fähigkeiten von Flash-Filetrans nennt die Seite Mehrsprachigkeit, regionale chinesische Dialekte, Zeichensetzung, Textnormalisierung, Verstärkung durch Hotwords und Kontext sowie Sprechertrennung.
Die Alibaba-Dokumentation zur Spracherkennung ohne Echtzeitanforderung nennt für asynchrone Transkription Einzeldateien bis 12 Stunden Dauer und 2 GB Größe. Diese Grenzen gelten für die Produktfamilie allgemein. Ausdrücklich auf Qwen-Audio-3.1 bezogen sind sie nicht.
Messwerte fehlen: Latenzvergleich mit Doubao ist Herstellerangabe ohne veröffentlichte Zahlen
Die Projektseite des Reports nennt mehrere Evaluationen: den Macro-CER über 16 interne Dialektsets, den Macro-WER auf Common Voice 15 und den Macro-cpWER auf vier Qwen-Next-Testsets. Zahlenwerte enthält der Auszug nicht. Ob und wie weit Qwen-Audio-3.1-ASR seinen Vorgänger übertrifft, ist damit nicht belegt.
Auch der Latenzvergleich zwischen Qwen-Audio-3.1-ASR-Flash-Message und Doubao Streaming ASR 2.0 liefert keine Zahlen. Gemessen wurde mit 10 parallelen Audiostreams. Qwen lief selbst gehostet auf einer NVIDIA H100, Doubao wurde über die API angesprochen. Angenommen wurde gleiche Netzwerklatenz. Die Seite spricht von einer „unabhängigen Evaluation“. Wegen dieses Aufbaus, und weil das Ergebnis auf der Projektseite des Herstellers steht, ist es als Herstellerangabe einzuordnen.
Zu offenen Gewichten der 3.1-Familie ist nichts belegt. Qwen3-ASR ist eine andere, frühere Familie. Nach Projektangaben erschien sie am 29. Januar 2026 unter Apache-2.0-Lizenz. Sie unterstützt 52 Sprachen und Dialekte, darunter 22 chinesische Dialekte statt der 16 bei Qwen-Audio-3.1. Warum die Zahl abweicht, erklärt das Material nicht.
