Qwen3-ASR × BibiGPT
2026-01-30，阿里云通义千问团队开源了 Qwen3-ASR——一组覆盖 52 种语言与方言的语音识别模型，提供 1.7B 与 0.6B 两个尺寸，另配一个非自回归的强制对齐模型，可在 11 种语言里把文本与音频对齐。1.7B 在开源语音识别里达到当前最好水平，与最强的商业 API相当；0.6B 牺牲一点准确率换来并发 128 下约 2000 倍的吞吐。这件事的实际含义是：方言重、口音重、带背景音乐的音频，想要准确转写不再只有付费 API一条路。而把字变成能用的东西——带时间戳的文字稿、总结、可搜索的笔记——是 BibiGPT 从一条链接就能给你的。
关键事实（90 秒读完）
2026-01-30，阿里云通义千问团队开源 Qwen3-ASR——1.7B 与 0.6B 两个尺寸的语音识别模型，覆盖 52 种语言与方言（30 种语言加 22 种中文方言，以及带口音的英语），内置语种检测与时间戳预测，另配一个覆盖 11 种语言的非自回归强制对齐模型。1.7B 在开源语音识别中达到当前最好水平，与最强商业 API相当；0.6B 在并发 128 下达到约 2000 倍吞吐。实际含义是：方言重、口音重、带音乐的音频要准确转写，不再只能走付费 API。而拿到字只是前半程——BibiGPT 负责后半程，把一条链接变成带时间戳的文字稿、总结和可搜索笔记。
Features
Qwen3-ASR 是什么？
2026-01-30 由阿里云通义千问团队开源，Qwen3-ASR 是一组一体化语音识别模型。提供 Qwen3-ASR-1.7B 与 Qwen3-ASR-0.6B 两个尺寸，都能在 52 种语言与方言范围内做语种识别和转写，并内置时间戳预测。另有一个独立的非自回归强制对齐模型，可在 11 种语言里把已有文本与音频对齐。
52 种语言与方言
覆盖 30 种语言外加 22 种中文方言，以及多个国家和地区口音的英语。方言与口音正是多数开源语音识别翻车的地方，而真实录音往往就长这样。
两个尺寸，两种取舍
1.7B 是开源语音识别里的当前最好水平，与最强的商业 API相当；0.6B 保持不错的准确率，同时在并发 128 下达到约 2000 倍吞吐——为量而生，不是为单个完美文件。
语音、音乐、歌声，都带时间戳
模型能处理语音、音乐与演唱音频，自行判断语种并预测时间戳。有没有时间戳，决定了你拿到的是一堵文字墙，还是一份能跳着看的文字稿。
为什么做视频的人该关心一次开源语音识别发布
文字稿是后面一切的原料——总结、搜索、翻译、切片、笔记。当准确的多语言转写变得开源且便宜，瓶颈就从「拿到字」挪到了「拿字做事」。后半程正是 BibiGPT 所在的位置。
方言重的音频不再是死路
带地方方言的录音，或口音很重的英语，长期以来是转出来一堆乱码的那一类文件。开源模型把方言和口音覆盖做进来之后，「哪些音频值得转写」这件事本身变了。
文字稿只是第一步
任何语音识别吐出来的纯文本，仍然要人去读。BibiGPT 接一条链接就给你带时间戳的文字稿，加上 AI 总结、思维导图和笔记——两小时录音变成几分钟能扫完的东西。
只想要答案的人不该配环境
跑开源模型意味着权重、显卡，还有把它跑起来的一整套环境。大多数只是想补一节课的人并不想碰这些。BibiGPT 把它压回到「浏览器里贴一条链接」——结果一样，省掉组装。
5 条关键事实（90 秒读完）
来自通义千问团队 2026-01-30 开源 Qwen3-ASR 的核心事实。
- 1
2026-01-30 开源
阿里云通义千问团队把 Qwen3-ASR 作为开源模型系列发布，而不是只提供接口。
- 2
52 种语言与方言
30 种语言加 22 种中文方言，以及多个国家和地区口音的英语——正是多数开源语音识别缺的那部分覆盖。
- 3
两个尺寸：1.7B 与 0.6B
1.7B 领先开源语音识别基准，且能与最强商业 API一较高下；0.6B 用一点准确率换来并发 128 下约 2000 倍的吞吐。
- 4
自带语种检测与时间戳
模型自行判断所说语种并预测时间戳，且覆盖音乐与演唱内容，不只是干净人声。
- 5
另有 11 种语言的对齐模型
一个非自回归的强制对齐模型可在 11 种语言里把已有文本与音频对上——做字幕和歌词卡点需要的正是这块。
BibiGPT 用户的 3 个典型场景
覆盖广、准确率高的语音识别，如何改变「哪些内容值得转写」。
一节方言口音的课
学生录了一节老师在普通话和方言之间来回切的课。拿到的不再是满是窟窿的文字稿，而是可读的带时间戳文本加总结——复习从看笔记开始，而不是从重听开始。
多语言的播客存档
创作者手里有几年的节目，嘉宾来自不同国家、口音各异。每条链接都变成可搜索的文字稿和结构化总结，让没人搜得动的存档重新变成可复用的素材。
和音频对得上的字幕
剪辑手里有稿子和成片，就是没有时间轴。带时间戳的转写正是让字幕落在正确那一帧的前提——BibiGPT 还能从同一份素材一次做出双语字幕。
深受创作者、学生和研究人员的喜爱
看看大家为什么每天都用 BibiGPT 把视频转成文字。
全球 50,000+ 用户的信赖之选
“贴上链接几秒钟就拿到干净的字幕文字，每周帮我省下好几个小时的手动整理时间。”
Maya R.
内容创作者 · 二次创作短视频
“导出逐字稿后我可以按自己的节奏复习生词，再也不用反复暂停视频了。”
Daniel K.
语言学习者 · 用真实视频学外语
“准确、带时间戳的文字可以直接引用，它已经悄悄成为我日常工作流的一部分。”
Priya S.
研究人员 · 引用公开演讲
常见问题
常见问题解答
有问题？问我们！
热门文章
1 B站AI视频总结工具推荐：BibiGPT一键总结30+平台视频（2026精选）
2026年B站AI视频总结工具哪个最好？粘贴任意链接，几秒生成结构化总结、思维导图和重点提炼，支持30+平台、免登录。文末对比5大工具，选出最适合你的那一个。
2 DeepSeek Harness 怎么装 skill：让 dsh 学会看视频的实战教程
给 DeepSeek Harness 装视频总结 skill 只需拷贝目录——SKILL.md 和 Claude Code 通用。也可以不装 dsh：在浏览器里粘贴 B 站或 YouTube 链接，直接出带时间戳的总结。
3 不用装 App 如何倒放视频 — 免费、浏览器内完成、无需下载（2026）
无需 App、无需下载，在浏览器里免费倒放任意视频。iPhone、Android、PC 分步教程，以及如何同步倒放音频（2026）。
把任意视频或播客变成能搜索的文字稿
贴一条 B 站、YouTube 或播客链接，或上传自己的文件。BibiGPT 给你带时间戳的文字稿、AI 总结，以及可以搜索、翻译、发去笔记软件的笔记。不用配模型，不用显卡，不用命令行。