Modelos de discurso-texto

Escolha um modelo para legendas ao vivo, transcrição de arquivos e muito mais.

Migrar de modelos de código fechado.

Substituindo Whisper, Deepgram ou reconhecimento de fala no Google? Use estes. QwenCloud Equivalentes.

Ver a tabela estruturada nos quadros de referência desta página ↓

Esta página te leva à seleção de modelos: comece com "[Dimensões de decisão] (#decision-dimensions" (tempo real/offline, terminologia de domínio, diarização de falantes, reconhecimento de emoções) para identificar seu cenário; verifique "[Modelos recomendados]#recommended-models"Para as melhores escolhas, expandir "(Todos os modelos)#all-models"para listas completas de versões, e verificar restrições de entrada em "[Especificações de áudio]"#audio-specifications)". Línguas apoiadas (incluindo dialetos) estão listadas em cada família modelo em "Todos os modelos".

Dimensões da decisão

Use estas 4 dimensões para restringir sua escolha. Cada um recomenda o modelo mais adequado.

Em tempo real ou offline?

Em tempo real significa produzir resultados de reconhecimento enquanto o usuário ainda está falando. Desligado significa transcrever depois que a gravação terminar.

• Usa uma conexão WebSocket para transmitir áudio e texto. Ideal para legendas ao vivo, assistentes de voz e transcrição de encontros. Modelo recomendado: qwen-audio-3.0-asr-flash-streaming (palavras quentes, contexto rápido, multilingue com dialetos).

• Offline (arquivo transcrição) - Usa uma API HTTP para enviar arquivos de áudio e recuperar resultados de transcrição. Acomodada para gravações de call center, podcasts e entrevistas. Modelo recomendado: qwen-audio-3.0-asr-flash-filetrans (palavras quentes, contexto imediato, diarização do falante).

Qwen-Audio-3.0-ASR-Flash-Streaming, Qwen-Audio-3.0-ASR-Flash-FiletransE o Fun-ASR e Qwen-ASR Modelos em tempo real suportam o DashScope SDK (Java, Python). Todos os outros modelos requerem chamadas diretas da WebSocket ou HTTP API.

Qwen-Audio-3.0-ASR-Flash-Streaming e Fun-ASR-Realtime Modelos de série também apoiam o protocolo de QOA. Para integração cliente-side que prioriza latência estável, resiliência em redes fracas, e integração de ruído e cancelamento de eco, o AOQ é recomendado. Para uma comparação de protocolo, veja [Realtime API overview] (/api-reference/realtime-api/overview).

Para integração em tempo real, veja [Reconhecimento de fala em tempo real]/developer-guides/speech/asr-realtime). Para integração offline, veja [a transcrição do arquivo de áudio] (/developer-guides/speech/asr).

Lidar com terminologia de domínio

Duas abordagens, classificadas por flexibilidade:

1. • Descreva seu domínio no prompt do sistema. Não é necessário. O modelo se adapta por pedido. Recomendado: o Qwen-Audio-3.0-ASR-Flash-Streaming, Qwen-Audio-3.0-ASR-Flash-Filetrans, e Qwen-Audio-3.0-ASR-Flash Série.
2. • Dê uma lista de vocabulários ponderados. Recomendado: o Qwen-Audio-3.0-ASR-Flash-Streaming, Qwen-Audio-3.0-ASR-Flash-Filetrans, e Qwen-Audio-3.0-ASR-Flash Série.

Diarização do presidente da câmara

O Qwen-Audio-3.0-ASR-Flash-Filetrans Série (qwen-audio-3.0-asr-flash-filetrans) e Fun-ASR Modelos offline (fun-asr) apoiar a diarização dos alto-falantes. Para identificar quem disse o quê, use qwen-audio-3.0-asr-flash-filetrans.

Reconhecimento de emoções

Qwen-ASR Modelos detectam emoções ao lado da transcrição. Modelos recomendados: qwen3-asr-flash-realtime (em tempo real) ou qwen3-asr-flash-filetrans (desligado).

Modelos recomendados

As melhores escolhas para cada cenário. Visite a galeria de modelos para detalhes.

Ver a tabela estruturada nos quadros de referência desta página ↓

Todos os modelos.

Qwen-Audio-3.x-ASR-Flash-Streaming

Ver a tabela estruturada nos quadros de referência desta página ↓

Linguagens suportadas (por versão)

- `qwen-audio-3.1-asr-flash-streaming`: Chinês, Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco, Norueguês. Dialetos chineses: Xangai, Nanchang, Ningbo, Hakka, Hangzhou, Wenzhou, Hunanese, Fujianês, Cantonês, Suzhou.
- `qwen-audio-3.0-asr-flash-streaming`: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; mais sotaques regionais, incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim, e Hong Kong/Taiwan -- cobrindo Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malay, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, dinamarquês, finlandês, norueguês, grego, polonês, checo, húngaro, romeno, búlgaro, croata, eslovaco

Qwen-Audio-3.x-ASR-Flash-Filetrans

Ver a tabela estruturada nos quadros de referência desta página ↓

Linguagens suportadas (por versão)

- `qwen-audio-3.1-asr-flash-filetrans`: Chinês, Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco, Norueguês. Dialetos chineses: Xangai, Nanchang, Ningbo, Hakka, Hangzhou, Wenzhou, Hunanese, Fujianês, Cantonês, Suzhou.
- `qwen-audio-3.0-asr-flash-filetrans`: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; mais sotaques regionais, incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim, e Hong Kong/Taiwan -- cobrindo Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malay, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, dinamarquês, finlandês, norueguês, grego, polonês, checo, húngaro, romeno, búlgaro, croata, eslovaco

Qwen-Audio-3.x-ASR-Flash

Ver a tabela estruturada nos quadros de referência desta página ↓

Linguagens suportadas (por versão)

- `qwen-audio-3.1-asr-flash`: Chinês, Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malaio, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, Dinamarquês, Finlandês, Grego, Polonês, Tcheco, Húngaro, Romeno, Búlgaro, Croata, Eslovaco, Norueguês. Dialetos chineses: Xangai, Nanchang, Ningbo, Hakka, Hangzhou, Wenzhou, Hunanese, Fujianês, Cantonês, Suzhou.
- `qwen-audio-3.0-asr-flash`: Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; mais sotaques regionais, incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim, e Hong Kong/Taiwan -- cobrindo Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, e Ningxia), Inglês, Japonês, Coreano, Vietnamita, Tailandês, Indonésio, Malay, Filipino, Hindi, Árabe, Francês, Alemão, Espanhol, Português, Russo, Italiano, Holandês, Sueco, dinamarquês, finlandês, norueguês, grego, polonês, checo, húngaro, romeno, búlgaro, croata, eslovaco

Fun-ASR

Ver a tabela estruturada nos quadros de referência desta página ↓

Linguagens suportadas (por versão)

- **Fun-ASR-Realtime  versões principais** (`fun-asr-realtime`, `fun-asr-realtime-2026-02-28`): Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; mais sotaques regionais, incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim, e Hong Kong/Taiwan - cobrindo Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hangzhou, Gansu, e sotaques Ningxia), Inglês, Japonês
- **Fun-ASR-Flash-Realtime(8K)** (`fun-asr-flash-8k-realtime`, `fun-asr-flash-8k-realtime-2026-01-28`): Chinês
- **Fun-ASR  versões principais** (`fun-asr`): Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; mais sotaques regionais, incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim, e Hong Kong/Taiwan -- cobrindo Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hansu, Gansu, e Ningxia), Inglês, japonês, coreano, vietnamita, tailandês, indonésio, Malay, Filipino, Hindi, árabe, francês, alemão, espanhol, russo, italiano, holandês, Sueco, dinamarquês, finlandês, norueguês, grego, polonês, checo, húngaro, romeno, búlgaro, croata, eslovaco
- **Fun-ASR-Flash** (`fun-asr-flash-2026-06-15`): Chinês (Mandarim, Cantonês, Wu, Hokkien, Hakka, Gan, Xiang, Jin; mais sotaques regionais, incluindo Planícies Centrais, Sudoeste, Ji-Lu, Jianghuai, Lan-Yin, Jiao-Liao, Nordeste, Pequim, e Hong Kong/Taiwan -- cobrindo Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi, Hebei, Tianjin, Shandong, Anhui, Nanjing, Jiangsu, Hansu, Gansu, e Ningxia), Inglês, japonês, coreano, vietnamita, tailandês, indonésio, Malay, Filipino, Hindi, árabe, francês, alemão, espanhol, russo, italiano, holandês, Sueco, dinamarquês, finlandês, norueguês, grego, polonês, checo, húngaro, romeno, búlgaro, croata, eslovaco

Qwen-ASR

Ver a tabela estruturada nos quadros de referência desta página ↓

Linguagens suportadas Todas Qwen-ASR  Modelos (`qwen3-asr-flash-realtime`, `qwen3-asr-flash-filetrans`, `qwen3-asr-flash`) apoiar a mesma lista de idiomas: chinês (Mandarim, Sichuanês, Hokkien, Wu, Cantonês), inglês, japonês, alemão, coreano, russo, francês, português, árabe, italiano, espanhol, hindi, indonésio, tailandês, turco, ucraniano, vietnamita, checo, dinamarquês, filipino, finlandês, islandês, malaio, norueguês, polonês, sueco.

Paraformer

Paraformer é uma família de modelos ASR de geração anterior. Se sua carga de trabalho permitir, migrem para o recomendado. Fun-ASR  Ou Qwen-ASR  Modelos acima.

Ver a tabela estruturada nos quadros de referência desta página ↓

Linguagens suportadas (por versão)

- `paraformer-realtime-v2`, `paraformer-v2`: Chinês (Mandarim, Cantonês, Wu, Hokkien, Nordeste, Gansu, Guizhou, Henan, Hubei, Hunan, Ningxia, Shanxi, Shaanxi, Shandong, Sichuan, Tianjin, Jiangxi, Yunnan, Shanghai), Inglês, Japonês, Coreano, Alemão, Francês, Russo
- `paraformer-realtime-8k-v2`, `paraformer-8k-v2`: Chinês (Mandarim)

Especificações de áudio

As tabelas abaixo resumem as especificações de áudio (método de entrada, formato, taxa de amostragem, tamanho/duração) para modos em tempo real e offline. Para idiomas suportados, veja as seções da família modelo em "[Todos os modelos] (#all-models" acima.

Em tempo real.

Ver a tabela estruturada nos quadros de referência desta página ↓

• Paraformer-Realtime** (paraformer-realtime-v2, paraformer-realtime-8k-v2- O mesmo que Fun-ASR-Realtime | paraformer-realtime-v2 Qualquer; paraformer-realtime-8k-* 8 kHz Ilimitado

Todos os modelos em tempo real requerem entrada mono**.

Desligado.

Ver a tabela estruturada nos quadros de referência desta página ↓

• Paraformer* (paraformer-v2, paraformer-8k-v2- O mesmo que eu. Fun-ASR O mesmo que Fun-ASR | paraformer-v2 Qualquer; paraformer-8k-* 8 kHz apenas Fun-ASR | | Qwen3-ASR-Flash-Filetrans (qwen3-asr-flash-filetrans URL de arquivo publicamente acessível, 1 por pedido aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | pcm Deve ser 16 kHz; outros formatos qualquer (reamostras de servidor para 16 kHz) | Qwen3-ASR-Flash (qwen3-asr-flash URL / Base64 / arquivo local caminho absoluto, 1 por pedido aac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmv | pcm Deve ser 16 kHz; outros formatos qualquer (reamostras de servidor para 16 kHz)

  Precisa de um discurso traduzido para uma língua diferente? Veja [Modelos de fala em voz] (/developer-guides/speech/s2s-models) para tradução em tempo real e baseado em arquivos com LiveTranslate e Qwen-Omni.

Saiba mais.

Real-time ASR

Transmita áudio e envie mensagem em tempo real.

Audio file transcription

 Transcrever arquivos de áudio gravados com APIs sincronizadas.

Improve accuracy

 Aumentar o reconhecimento de termos específicos de domínio.