登录
一段四十多分钟的会，三个人，中间抢了两次话。想把录音变成能看的纪要，通常得走三步：先把声音转成文字，再听一遍标“说话人1、说话人2”，最后对时间戳。转写工具只干第一步，后面两步还是人工。
10 月 20 日，阿里通义在 arXiv 公开了一份技术报告，主角是 Qwen-Audio-3.1-ASR。它想做的，是把这三步压进一个模型。
最直接的变化在输出：转写结果自带说话人标签、时间戳和文本，换人时标签能接上，两个人同时开口，也能各自成段。arXiv
行话叫“说话人分轨”。过去这通常要单独接一个分离模型，再把结果和转写对齐；对齐一旦出错，整段纪要就得重听。
官方对这套模型的描述是，支持 30 种语言和 16 种中文方言，首字响应约 160 毫秒，边说边转写。微博哔哩哔哩
在四个多人会议测试集的八项指标里，两个版本合起来，把所有第一都拿了。知乎
以 AISHELL-4 为例，Qwen-Audio-3.1-ASR-Flash-Next 的 cpWER 是 14.17，MOSS-Transcribe-Diarize 是 16.04。
Meta 的 Muse-Voice 是 19.82，Gemini-3.5-Transcribe 是 37.00。
cpWER 同时算“字错”和“人错”，越低越好。
方言的差距更直观。内部 16 方言测试集上，它的平均字错率是 10.38%，豆包是 20.23%，腾讯是 17.13%。
最难的是温州话：通义 19.21%，两家对照分别是 68.22% 和 64.74%。arXiv
如果要把方言翻成普通话，通义在 11 种方言上的平均语义句准率是 82.10%。温州话 83.69%，两家对照分别只有 2.38% 和 4.33%。知乎
温州话声调多、连读重，很多工具干脆认不出。错误率从“三句错两句”降到“五句错一句”，对要整理访谈、课堂录音的人来说，是能不能用的区别。
但这份报告讲的是模型能力，不是一次面向普通用户的更新。说话人分轨只出现在非流式版本里，实时字幕那种场景暂时拿不到“谁在说”的标签。
普通话朗读测试上，它也不是全面第一：AISHELL-1 的字错率 1.08%，略高于 Fun-ASR-Flash 的 0.76%。
以上数字都来自通义自己的评测，第三方复现之前只能当参考。它真正强的地方在“难”的那部分：多人、方言、杂音、抢话。
干净环境下的听写早就够用了。真正耗人的是会后那两小时：把一堆没有名字的句子，还原成谁在什么时间说了什么。谁先做顺这件事，谁就能接手会议纪要这门苦活。
