概要
Qwen3-ASR-Flash-Realtimeは、大規模言語モデルを基盤とするリアルタイム多言語音声認識モデルです。音声を入力し、認識結果をテキストで出力します。言語の自動判定に対応し、公式の国際版リリース告知では11言語の音声認識を説明しています。リアルタイム字幕や音声入力などに利用できます。 (help.aliyun.com)
公開日とバージョン
- 公開日:2025年10月27日。公式の国際版リリース一覧では2025年10月29日にも掲載されています。 (help.aliyun.com)
- 固定スナップショット:
qwen3-asr-flash-realtime-2025-10-27。末尾の日付はスナップショットの日付です。 (qwencloud.com)
利用方法と制限
WebSocketで音声ストリームを送信し、リアルタイムで文字起こしできます。音声区間の検出にはサーバー側VADまたはクライアントによる手動確定を利用できます。入力はモノラルのPCMまたはOpusで、対応サンプリング周波数は8 kHzまたは16 kHzです。認識結果の正確性は入力音声の条件に左右されます。 (docs.modelstudio.console.alibabacloud.com)
公式モデル情報では、Function Calling、構造化出力、Web検索、コンテキストキャッシュ、バッチ推論、モデルのファインチューニングは非対応とされています。コンテキスト長や最大入出力長は明示されていません。 (help.aliyun.com)
料金
確認日:2026年11月17日。いずれもModel Studioの通常価格で、入力音声の秒数に基づく課金です。出力テキストは無料で、入力・出力トークン別の課金ではありません。期間限定の割引は含みません。 (help.aliyun.com)
- 中国国内サイト、人民元(CNY):北京リージョンは入力0.00033元/秒、シンガポールの国際デプロイは入力0.00066元/秒。対象には指定の2025年10月27日スナップショットも含まれます。出典:阿里雲モデル情報。 (help.aliyun.com)
- 国際サイト、米ドル(USD):シンガポールの国際デプロイは入力0.000090米ドル/秒、北京リージョンは入力0.000047米ドル/秒。出典:Alibaba Cloudモデル情報。 (alibabacloud.com)
国内サイトと国際サイトの価格は、それぞれのプラットフォーム・地域に適用される表示価格であり、相互に換算した同一プランとして扱うものではありません。