阿里通义Qwen团队近日发布了一款开源的Python命令行工具——Qwen3-ASR-Toolkit，旨在突破Qwen3-ASR-Flash API对音频时长限制在3分钟内的瓶颈，支持对小时级音视频内容进行高效转录。
作为通义千问系列最新推出的语音识别模型，Qwen3-ASR-Flash依托强大的Qwen3基座模型，结合海量多模态数据及高达千万小时级别的ASR训练数据，具备卓越的语音理解能力。
新推出的Qwen3-ASR-Toolkit集成了VAD（Voice Activity Detection）智能静音检测与切分技术，在精准分割音频的同时保障语义句子的完整性；工具可自动将任意采样率的输入音频转换为16 kHz单声道格式，适配模型输入要求；并通过多线程并发上传音频片段，大幅提升整体处理速度。
该工具基于FFmpeg构建，广泛兼容多种媒体格式，包括mp4、mov、mkv、mp3、wav、m4a等，几乎覆盖主流音视频文件类型。
立即学习“Python免费学习笔记（深入）”；
项目已完全开源，地址：https://www.php.cn/link/51e706f8b33d4020dbe481ae37603842
