阿里通义 Qwen 团队近日宣布推出一款名为 Qwen3-ASR-Toolkit 的开源 Python 命令行工具，为用户提供更高效便捷的音视频转录服务。这款创新工具在音频处理时长上实现了重大突破，彻底摆脱了 Qwen3-ASR-Flash API 三分钟的限制，能够支持长达数小时的音频内容进行快速转录，为大规模音视频处理场景提供了强大的技术支持。
Qwen3-ASR-Flash 作为通义千问系列中最先进的语音识别模型，通过海量多模态数据和千万小时规模的自动语音识别（ASR）数据训练而成。该模型展现出卓越的识别性能，能够将长时间音频和视频内容转化为精准的文本形式，显著提升用户的工作效率。Qwen3-ASR-Toolkit 的推出正是基于这一强大模型，进一步拓展了其应用场景。
该工具采用先进的智能静音切分技术（VAD），在转录过程中能够精准识别语音段落，确保句子结构的完整性，避免因静音分割导致的语义断裂。同时，Qwen3-ASR-Toolkit 内置音频重采样功能，可自动将任意采样率的音频文件转换为16kHz单声道格式，这一优化显著提升了后续处理效果和模型识别准确率。
在性能优化方面，工具支持多线程并行上传分片技术，通过并行处理大幅缩短总耗时，为用户带来流畅的使用体验。在媒体格式兼容性上，Qwen3-ASR-Toolkit 基于 FFmpeg 开发，全面支持包括 mp4、mov、mkv、mp3、wav、m4a 在内的几乎所有主流音视频格式，用户可根据实际需求灵活选择文件类型，无需担心兼容性问题。
划重点:
📌 阿里通义推出 Qwen3-ASR-Toolkit，突破音频转录时间限制，支持小时级转录
🎤 该工具基于最新的 Qwen3-ASR-Flash 模型，确保高准确率的语音识别
💻 支持多种音视频格式，用户可以灵活选择，提升音视频转录效率
