Alibaba Cloud: Qwen3 ASR Flash

Qwen3 ASR Flash nhận dạng giọng nói trong tệp âm thanh với hướng dẫn ngữ cảnh tùy chọn. Nó hữu ích cho các bản ghi âm ngắn chứa tên riêng hoặc từ vựng chuyên ngành, vốn được hưởng lợi từ gợi ý về chủ đề mà người nói đang thảo luận.

So sánh mô hình

qwen3-asr-flash

Sẵn sàngAlibaba CloudChuyển đổi giọng nói thành văn bảnĐồng bộ

Giá: Từ $0.000035
Phương thức: Âm thanh

Về Qwen3 ASR Flash

Qwen3 ASR Flash là mô hình nhận dạng giọng nói cho các đoạn clip ngắn của Alibaba, được gọi đồng bộ và chấp nhận văn bản ngữ cảnh tùy chọn để cho mô hình biết người nói đang thảo luận về chủ đề gì. Mô hình xử lý các tệp có dung lượng lên đến khoảng 5 phút và 10 MB, đồng thời luôn gắn thẻ cảm xúc trong kết quả đầu ra. Đây là tùy chọn nhanh trong dòng Qwen3 ASR, bên cạnh Filetrans cho các tệp dài và Realtime cho các luồng trực tiếp.

Ưu điểm

Văn bản ngữ cảnh tùy chọn giúp nhận diện tên riêng và từ vựng chuyên ngành trong các bản ghi âm ngắn.
Các cuộc gọi đồng bộ trả về bản ghi trực tiếp mà không cần hàng đợi tác vụ để thăm dò.
Tính năng nhận diện cảm xúc luôn được bật, hữu ích cho việc phân tích cuộc gọi và phản hồi.
Cung cấp kiểu API tương thích với OpenAI, giúp việc chuyển đổi từ các ứng dụng chuyển đổi giọng nói khác trở nên dễ dàng hơn.

Khi nào nên chọn model khác

Alibaba giới hạn đầu vào ở mức khoảng 10 MB và 5 phút, vì vậy các tệp âm thanh dài cần sử dụng Qwen3 ASR Flash Filetrans.
Mô hình không hỗ trợ phát trực tuyến; đầu vào trực tiếp cần sử dụng Qwen3 ASR Flash Realtime.

Bắt đầu

Tạo API key
Tạo API key trong Console để dùng cho mọi mô hình trên nền tảng.

Gửi yêu cầu đầu tiên của bạn

Sao chép ví dụ cho ngôn ngữ của bạn và chạy nó với endpoint.

Giọng nói sang văn bảnĐiểm cuối TokenLab

POST/v1/audio/transcriptions

curl -X POST "https://api.tokenlab.sh/v1/audio/transcriptions" \
  -H "Authorization: Bearer sk-xxx" \
  -F file="@audio.mp3" \
  -F operation="stt" \
  -F response_format="json" \
  -F model="qwen3-asr-flash" \
  -F language="en"

Tham số

Giọng nói sang văn bản

Tham số	Giá trị và giới hạn	Mặc định	Ghi chú
`file`	Số đầu vào: ≥ 1, ≤ 1	Chưa cung cấp	Send one audio file in multipart/form-data. Maximum file size is 25 MiB.
`language`	Chưa cung cấp	Chưa cung cấp	This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified.
`prompt`	Chưa cung cấp	Chưa cung cấp	Chưa cung cấp
`response_format`	json, text, verbose_json	`json`	Chưa cung cấp

Giá

Giá Verified áp dụng cho Verified, thường rẻ hơn trên hầu hết các model. Giá Official là giá niêm yết từ nhà phát triển, áp dụng cho route Official ổn định hơn. Auto sẽ tính phí dựa trên route hoàn thành yêu cầu.

Giọng nói sang văn bản

mỗi giây

Giá Official: $0.000035
Giá Verified: —
Giảm giá: —

	Giá Officialmỗi giây	Giá Verifiedmỗi giây	Giảm giá
Giọng nói sang văn bản	$0.000035	—	—

Sử dụng & hoạt động

Tỷ lệ thành công là tỷ lệ yêu cầu hoàn tất. Độ trễ là thời gian của một phản hồi đầy đủ; P95 nghĩa là 95% yêu cầu hoàn thành trong khoảng thời gian đó.

Mức sử dụng & tình trạng

24 giờ qua

Yêu cầu
Tỷ lệ thành công
Độ trễ P95
Tổng token

Hiệu năng mô hình

Cập nhật lần cuối 09:32 1 thg 11, 2026 UTC

Các chỉ số sẽ xuất hiện sau khi đạt ngưỡng về quyền riêng tư và khối lượng dữ liệu.

Dữ liệu dựa trên các yêu cầu tổng hợp của người dùng, không bao gồm các kiểm tra trạng thái.

Mở trong Console

Mở Qwen3 ASR Flash trong Console để chỉnh sửa và gửi prompt ngay.

Giúp tôi thử qwen3-asr-flash với yêu cầu âm thanh ngắn tại /v1/audio/transcriptions. Hiển thị kết quả và chi phí.

Tình huống sử dụng

Tin nhắn thoại
Chuyển đổi các tin nhắn thoại trò chuyện ngắn thành văn bản và giữ thẻ cảm xúc bên cạnh mỗi tin nhắn.
Các đoạn clip chuyên ngành
Cung cấp một dòng về chủ đề, chẳng hạn như danh sách tên thuốc hoặc tên động cơ, để cải thiện khả năng nhận diện các thuật ngữ hiếm gặp.
Di chuyển dễ dàng
Trỏ một ứng dụng chuyển đổi giọng nói kiểu OpenAI hiện có vào mô hình này để kiểm tra chất lượng nhận diện trên tệp âm thanh của bạn.

Ví dụ prompt

Chuyển đổi bản ghi âm 40 giây này; ngữ cảnh: thảo luận về việc nâng cấp cụm Kubernetes.

Chuyển đổi đoạn clip hỗ trợ ngắn này và ghi chú cảm xúc của người nói.

Chuyển đổi đoạn clip phỏng vấn này; ngữ cảnh: khách mời tên là Zhang Wei và Li Na.

FAQ

Giới hạn đầu vào của Qwen3 ASR Flash là bao nhiêu?

Alibaba liệt kê giới hạn khoảng 10 MB và 5 phút cho mỗi cuộc gọi đồng bộ. Đối với các bản ghi dài hơn, hãy sử dụng Qwen3 ASR Flash Filetrans, hỗ trợ lên đến 2 GB và 12 giờ theo phương thức không đồng bộ.

Tùy chọn ngữ cảnh có tác dụng gì?

Bạn cung cấp văn bản mô tả chủ đề hoặc liệt kê tên và thuật ngữ, và mô hình sử dụng thông tin đó để giải quyết các từ ngữ mơ hồ. Tính năng này hữu ích nhất trên các đoạn clip ngắn có từ vựng hiếm.

Mô hình có phát hiện cảm xúc không?

Có. Alibaba cho biết tính năng nhận diện cảm xúc luôn được bật cho các mô hình Qwen3 ASR Flash, vì vậy thẻ cảm xúc là một phần của kết quả mà không cần cờ yêu cầu nào.

API có tương thích với OpenAI không?

Alibaba liệt kê khả năng truy cập tương thích với OpenAI cho dòng sản phẩm này. Hãy kiểm tra tài liệu của Alibaba để biết các trường yêu cầu chính xác, vì không phải mọi tham số của các ứng dụng từ nhà cung cấp khác đều được hỗ trợ.

Qwen3 ASR Flash có giá bao nhiêu?

Trên TokenLab, Qwen3 ASR Flash có giá $0.000035 mỗi giây. Bảng giá phía trên cho thấy chi tiết đầy đủ. Giá phụ thuộc vào đơn vị tính phí, thông số và mức sử dụng. Hãy so sánh các điều kiện tương đương trong bảng giá chi tiết của mô hình; một mức giá đơn lẻ không quyết định tổng chi phí.

Qwen3 ASR Flash nên dùng endpoint nào?

Dùng https://api.tokenlab.sh/v1/audio/transcriptions làm mặc định cho Qwen3 ASR Flash. Nếu mô hình hỗ trợ định dạng native của nhà cung cấp, API workbench cũng hiển thị endpoint đó.

Qwen3 ASR Flash hỗ trợ những thao tác nào?

Qwen3 ASR Flash hỗ trợ Giọng nói sang văn bản. Chọn một thao tác trong API workbench phía trên để xem endpoint và mã ví dụ tương ứng.