論文の概要: Qwen-Audio-3.1-ASR Technical Report

• arxiv url: http://arxiv.org/abs/2610.28711v1
• Date: Tue, 20 Oct 2026 17:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.107744
• Title: Qwen-Audio-3.1-ASR Technical Report
• Title（参考訳）: Qwen-Audio-3.1-ASR技術報告
• Abstract要約: 家族は30の言語と16の中国語の方言をサポートしています。 話者ダイアリゼーションASRは、話者ラベル、タイムスタンプ、認識されたテキストを含む構造化された出力を生成する。 一般的な音声理解機能には、音声、音声、音楽のキャプション、時間的グラウンド、音声イベント検出が含まれる。
• 参考スコア（独自算出の注目度）: 56.71491265492633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Qwen-Audio-3.1-ASR, a family of audio-language models that builds upon its predecesor Qwen-Audio-3.0-ASR with improved speech recognition and expanded capabilities in speaker-diarized transcription and general audio understanding. The family retains support for 30 languages and 16 Chinese dialects, together with instruction-controlled capabilities including historical-context conditioning, hierarchical hotword customization, and native transcription polishing. Speaker-diarized ASR produces structured outputs containing speaker labels, timestamps, and recognized text, maintaining consistent speaker labels across turns and the representation of overlapping speech. The general audio understanding capabilities cover audio-, speech-, and music-captioning, temporal grounding and sound event detection, as well as audio question answering and multiple-choice reasoning. These tasks broaden the application scope from recognizing spoken words to interpreting speakers, acoustic events, and their temporal relations. To accommodate different deployment requirements, the family includes variants for asynchronous file transcription, low-latency streaming, interactive voice input, and non-streaming recognition, with speaker-diarized transcription and general audio understanding available in certain variants. Evaluations span conventional ASR, multilingual and dialectal speech, speaker-diarized transcription, and general audio understanding, demonstrating the capabilities of the Qwen-Audio-3.1-ASR family across transcription and broader audio analysis tasks.
• Abstract（参考訳）: 本稿では,先行するQwen-Audio-3.0-ASRに基づく音声言語モデルであるQwen-Audio-3.1-ASRについて述べる。 家庭は30の言語と16の中国語方言をサポートしており、歴史的コンテクスト条件付け、階層的なホットワードのカスタマイズ、ネイティブの転写研磨など、命令制御機能を備えている。 話者ダイアリゼーションASRは、話者ラベル、タイムスタンプ、認識されたテキストを含む構造化された出力を生成し、回転する話者ラベルと重複する音声の表現を維持する。 一般的な音声理解機能には、音声、音声、音楽のキャプション、時間的グラウンド、音声イベント検出、音声質問応答、複数選択推論が含まれる。 これらのタスクは、話し言葉の認識から話者の解釈、音響イベント、それらの時間的関係まで、適用範囲を広げる。 異なるデプロイメント要件を満たすため、家族は非同期ファイルの書き起こし、低レイテンシストリーミング、対話型音声入力、非ストリーミング認識のための変種を含む。 評価は、従来のASR、多言語および方言の音声、話者ダイアリゼーションされた転写、および一般的な音声理解に及び、Qwen-Audio-3.1-ASRファミリーの転写およびより広範な音声分析タスクの能力を示す。

関連論文リスト

• Step-Audio 2 Technical Report [120.58375054866815]
  Step-Audio 2は、業界における音声理解と音声会話のために設計された、エンドツーエンドのマルチモーダルな大規模言語モデルである。 遅延オーディオエンコーダと推論中心強化学習(RL)を統合することにより、Step-Audio 2は自動音声認識(ASR)および音声理解において有望な性能を達成する。
  論文  参考訳（メタデータ） (2025-07-22T14:23:55Z)
• Qwen-Audio: Advancing Universal Audio Understanding via Unified Large-Scale Audio-Language Models [98.34889301515412]
  我々はQwen-Audioモデルを開発し、30以上のタスクと様々なオーディオタイプをカバーするために、事前学習を拡大することで制限に対処する。 Qwen-Audioは、タスク固有の微調整を必要とせずに、様々なベンチマークタスクで素晴らしいパフォーマンスを実現している。 さらにQwen-Audio-Chatを開発し、様々なオーディオやテキスト入力からの入力を可能にし、マルチターン対話を可能にし、様々なオーディオ中心のシナリオをサポートする。
  論文  参考訳（メタデータ） (2023-11-14T05:34:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。