Alibaba通義研究院、音声認識モデル「Qwen-Audio-3.0-ASR」シリーズを公開──中国方言7種・30言語対応、ストリーミングと長尺文字起こしを両立

Alibabaの通義研究院(Tongyi Lab)が2026年7月30日、新しい音声認識(ASR)モデル「Qwen-Audio-3.0-ASR」シリーズを公開しました。同月20日に発表した音声合成モデル「Qwen-Audio-3.0-TTS」に続く、Qwen-Audio 3.0世代の音声認識版という位置づけです。リアルタイム配信向けの「streaming」、ファイル文字起こし向けの「filetrans」、標準版の「flash」の3モデルを用意し、中国語の7大方言区と20以上の地域訛り、あわせて30言語をカバーします。

詳細

• 3つのバリエーション: リアルタイムのストリーミング認識向けqwen-audio-3.0-asr-flash-streaming、長時間音声ファイルの非同期文字起こし向けqwen-audio-3.0-asr-flash-filetrans、汎用のqwen-audio-3.0-asr-flashを用意
• 中国語方言への対応: 官話(Mandarin)・呉語(Wu)・湘語(Xiang)・贛語(Gan)・客家語(Hakka)・閩語(Min)・粤語(Yue)の7大方言区に加え、20以上の地域訛りを認識
• 対応言語数: 中国語・英語・日本語・韓国語を含む30言語をサポート
• 専門認識機能: 古典詩詞(漢詩)の認識精度を最適化したほか、数字・日付などのテキスト正規化(ITN)機能を強化
• 無料枠: 一部報道によれば10時間分の無料利用枠が提供されている
• 提供元: Alibaba Cloud Model Studio(DashScope)およびQianwen AIプラットフォーム経由のホスト型APIとして提供

使ってみるには

• Alibaba Cloud Model StudioのDashScope SDK経由でAPIを呼び出し可能
• オープンウェイトでの公開は発表されておらず、現時点ではホスト型API経由での利用が前提となる