阿里 Qwen-Audio-3.1-ASR：说话人分离转写 cpWER 12.04，流式首字 100 毫秒
阿里 Token Foundry 10 月 20 日在 arXiv 发布 Qwen-Audio-3.1-ASR 技术报告。相对 3.0-ASR，这一代把输出空间从「转写文字」扩到「说话人分离转写 + 通用音频理解」：转写结果直接带说话人标签与时间戳，能标注重叠语音，并支持音频/语音/音乐描述、声音事件检测与时间定位、音频问答；语言覆盖 30 个语种与 16 种中文方言，保留历史上下文、分层热词与转写润色等指令控制。家族按部署方式拆成离线文件转写、低延迟流式、交互式语音输入与非流式识别几种变体，百炼模型列表里已能看到 filetrans 与 streaming 两个 Flash 版本。
报告里最硬的一组对比是中文会议说话人分离（Next 变体，cpWER 越低越好）：AISHELL-4 13.51、AliMeeting 12.04、MLC-SLM 12.60、MagicData-RAMC 13.58，四套全部低于 MOSS-Transcribe-Diarize（15.23 起）、Meta Muse-Voice-Transcribe（19.04 起）、微软 Mai-Transcribe-2 与 Gemini-3.5-Transcribe（36.39 起）。流式一侧 Message 变体出字延迟 220 毫秒、首字 100、末字 103；同一对照表里豆包流式 ASR 2.0 是 530 / 570 / 307。
它没有在所有轴上都更强：纯转写 AISHELL-1 CER 3.1 为 1.08、3.0 为 1.03，FLEURS 中英也都略退，只有 LibriSpeech-other 从 2.24 降到 2.19；音频理解 MMAU 81.60 超过 Gemini-3.1-Pro 的 80.90，MMSU 82.24 仍低于其 85.30。这一代押的不是「更准的听写」，而是听懂谁在说、还发生了什么 —— 中文会议与长音频是主战场。全部数字出自厂商自测报告，本轮未找到第三方复现。