新手友好：Qwen3-ASR-1.7B语音识别快速入门

运营的小事

529人浏览 · 2026-02-13 00:08:57

运营的小事 · 2026-02-13 00:08:57 发布

新手友好：Qwen3-ASR-1.7B语音识别快速入门

你是不是也遇到过这样的场景？开会时手忙脚乱地记笔记，结果漏掉了关键信息；或者想给一段视频配上字幕，却要花上几个小时反复听写。语音转文字，听起来简单，做起来却挺麻烦。

今天，我要给你介绍一个能彻底解决这个问题的“神器”——Qwen3-ASR-1.7B。别被它名字里的“1.7B”吓到，这只是一个技术参数，代表它有17亿个参数，属于中等规模。你只需要知道，它是个非常聪明的“耳朵”，能把你说的话、录的音，又快又准地变成文字。

最棒的是，它上手特别简单。你不需要懂复杂的编程，甚至不需要安装任何软件，通过一个网页就能用起来。这篇文章，我就手把手带你，从零开始，10分钟内玩转这个强大的语音识别工具。

1. 它能做什么？先看看效果

在动手之前，我们先搞清楚这个工具到底有多厉害。Qwen3-ASR-1.7B的核心能力就一句话：把声音变成文字。但这背后，有几个让你惊喜的亮点：

听得懂多国语言：它支持整整30种语言，从中文、英语、日语，到法语、德语、西班牙语，甚至阿拉伯语和印地语都不在话下。出国旅游的录音、外语学习材料，它都能帮你转成文字。
方言也不怕：这是它特别厉害的一点。除了普通话，它还支持22种中文方言，比如粤语、四川话、闽南语、上海话等等。你用家乡话录的语音，它也能识别个八九不离十。
又快又准：基于先进的vLLM推理引擎，它的识别速度非常快。对于中等长度的音频，几乎是“秒出”结果。准确度方面，在清晰的录音环境下，识别准确率非常高，足以满足会议记录、学习笔记等日常需求。
两种使用方式，总有一款适合你：
- 网页版（WebUI）：最简单，打开网页，上传音频或粘贴音频链接，点一下按钮就出结果。适合所有人。
- API接口：如果你懂一点编程，或者想把语音识别功能集成到你自己的软件、网站里，可以用它的API来调用，非常灵活。

简单来说，无论你是学生、上班族、内容创作者，还是开发者，这个工具都能成为你的效率助手。

2. 准备工作：找到你的“操作台”

我们假设你已经拥有了一个可以运行Qwen3-ASR-1.7B镜像的环境（例如在CSDN星图等云服务或本地服务器上部署好了）。现在，你需要找到进入这个工具的“大门”。

通常，部署完成后，你会获得两个重要的访问地址：

WebUI 界面地址：一般是 http://你的服务器IP:7860。这是图形化操作界面，我们主要用它。
API 服务地址：一般是 http://你的服务器IP:8000。这是给程序调用的后台接口。

打开你的浏览器，输入WebUI的地址（比如 http://localhost:7860 如果你在本地），你应该能看到一个简洁的网页界面。这就是我们接下来的主战场。

3. 第一步：用网页版，3分钟出结果

网页版是最推荐新手使用的方式，整个过程就像用搜索引擎一样简单。

3.1 界面初探

打开WebUI页面，你会看到一个非常干净的界面，核心区域通常包括：

一个输入框：让你粘贴音频文件的网址（URL）。
一个语言选择下拉菜单（可选）：你可以指定音频的语言，如果不知道，就选“自动检测”。
一个“开始识别”或“Transcribe”按钮：点击它，魔法就开始了。
一个结果显示区域：识别出的文字会显示在这里。

3.2 开始你的第一次识别

我们用一个现成的例子来试试手。在输入框里，粘贴下面这个测试音频的链接：

https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen3-ASR-Repo/asr_en.wav

这是一个简短的英文测试音频。

粘贴链接：把上面的网址复制到输入框里。
选择语言：因为知道是英文，可以在下拉菜单里选择“English”。如果不选，模型也会自动检测。
点击按钮：大胆点击“开始识别”或类似的按钮。

稍等片刻（通常就几秒钟），下面的结果框里就会显示出识别出的文字。对于这个测试音频，结果应该是类似 Hello, this is a test audio file. 这样的英文句子。

恭喜你！ 你已经成功完成了第一次语音识别。是不是简单得超乎想象？

3.3 试试你自己的音频

用测试文件练完手，该处理你自己的音频了。你可能有两种类型的音频：

网络上的音频：如果你有一段音频已经上传到了网上（比如阿里云OSS、腾讯云COS，或者任何能通过公开链接访问的地方），直接把那个音频文件的网址粘贴过来就行。
电脑本地的音频：网页版通常也支持直接上传文件。找找界面上有没有“上传文件”或“Browse”的按钮，点击后选择你电脑里的 .wav 或 .mp3 等格式的音频文件，然后点击识别。

小提示：为了获得最好的识别效果，尽量使用清晰的录音，减少背景噪音。如果是会议录音，用手机放在会议室中央录制的效果，会比用笔记本电脑内置麦克风远距离录制的好很多。

4. 第二步：给开发者的API调用指南

如果你是一名开发者，想把语音识别能力嵌入到你的应用里，那么API调用是你的不二之选。Qwen3-ASR-1.7B提供了兼容OpenAI格式的API，用起来非常顺手。

4.1 使用Python调用

确保你的Python环境已经安装了 openai 库（pip install openai）。然后，你可以用下面这段简单的代码进行调用：

from openai import OpenAI

# 1. 创建客户端，连接到你的ASR服务
client = OpenAI(
    base_url="http://localhost:8000/v1",  # 你的API服务地址
    api_key="EMPTY"  # 因为本地部署，一般不需要密钥，填EMPTY即可
)

# 2. 发起识别请求
response = client.chat.completions.create(
    model="/root/ai-models/Qwen/Qwen3-ASR-1___7B", # 指定模型路径
    messages=[
        {
            "role": "user",
            "content": [{
                "type": "audio_url",  # 告诉API内容是音频URL
                "audio_url": {"url": "https://你的音频文件地址.wav"}  # 替换成你的音频URL
            }]
        }
    ],
)

# 3. 打印识别结果
print(response.choices[0].message.content)

运行这段代码，你会在控制台看到识别出的文本。返回的格式通常是 language <asr_text>识别出的文字</asr_text>，例如 language Chinese<asr_text>今天天气真好。</asr_text>。

4.2 使用cURL命令调用

如果你喜欢用命令行，或者需要在Shell脚本中集成，cURL命令非常方便：

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "/root/ai-models/Qwen/Qwen3-ASR-1___7B",
    "messages": [{
        "role": "user",
        "content": [{
            "type": "audio_url",
            "audio_url": {"url": "https://你的音频文件地址.wav"}
        }]
    }]
  }'

执行这个命令，会直接返回一个JSON格式的结果，从中可以提取出识别文本。

5. 常见问题与小技巧

第一次使用，你可能会遇到一些小状况。别担心，这里有几个常见问题的解决办法和小技巧。

服务没启动？ 如果你访问网页或调用API时发现连接失败，可能是后台服务没有运行。可以尝试通过SSH连接到你的服务器，使用 supervisorctl status 命令查看服务状态，或用 supervisorctl restart qwen3-asr-webui 重启网页服务。
识别结果不理想？
- 检查音频质量：背景噪音太大、说话人距离麦克风太远、音频格式损坏都会影响识别。尽量提供清晰的音源。
- 尝试指定语言：如果音频是特定方言或小语种，在WebUI中或API请求里明确指定语言，有时会比“自动检测”效果更好。
- 模型正在加载：如果是首次启动或长时间未使用，模型可能需要一点时间加载到内存，第一次识别会稍慢，后续就快了。
想处理很长的音频？ 这个模型适合处理常规长度的音频（例如几分钟到一小时的会议录音）。对于超长的音频文件（如数小时的讲座），建议先使用音频处理工具将其切割成小段（如每15分钟一段），再分批进行识别，这样稳定性和速度都更好。
GPU内存不够？ 如果你在部署时遇到GPU内存不足的错误，可以尝试修改启动脚本，降低模型占用的显存比例。具体方法是找到 scripts/start_asr.sh 文件，将里面的 GPU_MEMORY="0.8" 参数改小，比如改成 "0.6" 或 "0.5"。