Qwen ASR
阿里通义千问（Qwen）系列的自动语音识别（ASR）模型，在 PennyScribe 中被用作核心转写引擎，纯文本转写效果出色。
简介
Qwen ASR 是阿里通义千问产品线中的语音识别模型。与其同一家族的 Qwen-Image-3.0（图像生成）、通义千问（文本大模型）并列，代表了千问在”听、说、看”三大模态的布局。在 PennyScribe 的实践验证中，Qwen ASR 的纯文本转写效果非常出色，但其配套的 Qwen ForcedAligner 生成时间戳的效果并不理想。
关键信息
- 类型：模型 / 语音识别引擎
- 厂商/生态：阿里 · 通义/千问（与 通义千问、Qwen-Image-3.0 同属千问产品线）
- 领域：自动语音识别（ASR）、语音转文本
- 实践验证来源：PennyScribe 开发过程中的实际测试
- 相关概念：Whisper、PennyScribe、通义千问、Qwen-Image-3.0
核心表现
纯文本转写（强项）
在 PennyScribe 的测试中，Qwen ASR 的文本转写效果”非常出色”——能准确地将音频/视频中的语音转换为文本。这是 PennyScribe 选择 Qwen ASR 作为核心引擎的关键原因。
时间戳生成（弱项）
Qwen ForcedAligner（配套的强制对齐工具）生成时间戳的效果”并不理想”。这意味着：
- 适合需要高质量纯文本的场景（访谈记录、播客文字化、会议纪要）
- 不适合需要精确时间戳的场景（视频字幕制作、逐词时间对齐）
- 去除背景音乐和环境噪声后有改善，但会增加处理流程复杂度和计算成本
不同素材中的观点
- 2026-08-12-pennyscribe-codex-ai-product（大侠Luffy）：在 PennyScribe 开发过程中的实测结论——Qwen ASR 文本转写效果非常好，但时间戳效果不理想。因此 PennyScribe 现阶段决定专注高质量纯文本转写，暂不做视频字幕。这是目前知识库中关于 Qwen ASR 的首次素材记录。
实用信息
- 适用场景：高质量纯文本转写、访谈/播客/通话/课程录音转文字
- 不适用场景：需要精确时间戳的字幕制作（建议等阿里改进 Qwen ForcedAligner 或使用其他方案）
- 优化思路：去除背景音乐和环境噪声可改善时间戳效果，但会增加处理流程复杂度和计算成本
- 部署方式：可通过 Vast.ai 等 GPU 算力平台云端部署，或通过 PennyScribe 等第三方服务间接使用
- 与 Whisper 的关系：Qwen ASR 和 Whisper 同属语音识别引擎，但在部署形态上有本质区别——Whisper 强调本地/离线使用，Qwen ASR 更偏向云端部署和 API 服务化。PennyScribe 选择 Qwen ASR 而非 Whisper，说明在面向 AI Agent 的 ASR 场景中，云端集成便利性比本地离线能力更重要