from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="Qwen/Qwen3-ASR-1.7B",
    messages=[{
        "role": "user",
        "content": [{"type": "audio_url", "audio_url": {"url": "audio.wav"}}]
    }]
)
print(response.choices[0].message.content)

甚至还兼容 OpenAI 的 Transcription API：

transcription = client.audio.transcriptions.create(
    model="Qwen/Qwen3-ASR-1.7B",
    file=audio_bytes,
)

这意味着什么？如果你现在用的是 OpenAI 的 Whisper API，想切换到私有部署的 Qwen3-ASR，客户端代码几乎零改动。改一下 base_url 和 model 名字就行。对于已经在生产环境中跑着的系统来说，这种迁移成本几乎为零。

流式推理也有。基于 vLLM 的流式后端，音频一边输入一边输出转写结果。团队还提供了一个 Flask 的流式 Demo，浏览器里打开就能用麦克风实时测试。

如果你不想折腾 GPU 环境，官方的 Docker 镜像也准备好了：

docker run --gpus all -p 8000:80 qwenllm/qwen3-asr:latest

从安装到服务启动，三分钟搞定。

长音频怎么办现实中的语音场景经常不是"一段三秒钟的录音"，而是一场两小时的会议、一堂三小时的网课、一个六小时的直播回放。

Qwen3-ASR 本身支持长音频转写，但直接丢一个六小时的文件进去显然不现实。社区已经有了成熟的方案：VAD（语音活动检测）切分 + 多线程并发调用。

流程大概是这样的：

1. 先用 VAD 工具（比如 Silero VAD）把长音频按静音段自动切成短片段
2. 每个片段重采样到 16kHz 单声道 PCM 格式
3. 多线程并发调用本地部署的 Qwen3-ASR API
4. 把各段结果拼接起来，利用 ForcedAligner 的时间戳生成 SRT 字幕文件

这套流程在社区的 Qwen3-ASR-Toolkit 里已经封装好了，开箱即用。一台有 A100 的机器处理一场两小时的会议录音，大概只需要几分钟。

如果你完全不想碰 GPU，阿里云百炼平台也提供了 Qwen3-ASR-Flash 的云端 API，按量付费。Flash 版本还支持一个独特的能力：上下文偏置。你可以在 API 请求里带上一段文本（比如专业术语表、人名列表），模型会自动"偏向"这些词汇，提升特定领域的识别准确率。这对医疗、法律、金融等术语密集的行业特别有用。

训练的秘密：4000 万小时音频 + 强化学习最后说说训练。Qwen3-ASR 的训练流水线分四个阶段，每个阶段解决不同的问题：

第一阶段：AuT 预训练。 用大约 4000 万小时的伪标签音频数据训练音频编码器。这个数据量是 Whisper 训练数据（68 万小时）的近 60 倍。海量的听力训练让编码器对各种声学环境都有了"经验"。

第二阶段：Omni 预训练。 在 Qwen3-Omni 底座上用 3 万亿多模态 token 做联合训练，让模型同时理解文本、音频和视觉信息。这个阶段的产物就是 Qwen3-ASR 的基座模型。

第三阶段：ASR 微调。 针对多语言识别、流式推理、上下文偏置等具体 ASR 能力做精细化训练。

第四阶段：强化学习（GSPO）。 这一步是画龙点睛。用 Group Sequence Policy Optimization 算法在大约 5 万条语句上做强化学习，专门提升模型在噪声环境下的鲁棒性和输出稳定性。经过这一步之后，模型不再会在遇到困难音频时"慌张"——它学会了在不确定的时候宁可少说，也不瞎说。

该换了回到最开始的问题：Whisper 还值得用吗？

如果你的需求是"支持 99 种语言的广覆盖"，Whisper 暂时还有优势。但如果你的场景是中英文为主、需要高精度、需要流式、需要字级时间戳、需要方言支持，答案已经很明确了。

Qwen3-ASR-1.7B 在精度上全面超越 Whisper，在工程化程度上提供了 vLLM 原生支持和 OpenAI 兼容 API，在开源协议上是最友好的 Apache 2.0。

从 Whisper 迁移过来的成本接近于零。

是时候换了。