Alibaba、音声認識モデル Qwen-Audio-3.0-ASR-Flash を公開──医療用語で 95.36% のリコール率を達成
会話履歴をメッセージ API で渡すコンテキスト認識型の音声認識により、専門用語の認識精度を大幅に改善した。
リリース: 2026-07-31 · 読了 3 分記事の要約
1. 核心（What）
- Alibaba Cloud Model Studio において新型音声認識モデル Qwen-Audio-3.0-ASR-Flash（モデル ID: fun-asr-flash-2026-06-15）の提供が開始された。
- 医療用語のリコール率 95.36%、産業用語のリコール率 93.24% を内部ベンチマークで達成している。
- メッセージ API を通じて過去の会話コンテキストを付与することで、専門用語の認識精度を動的にバイアスさせる設計を採用した。
- 北京およびシンガポールのリージョンにて HTTP API、WebSocket、非同期書き起こしの 3 形式のエンドポイントが利用可能である。
2. 影響（Why）
- 専門用語の誤認識コストの削減: 医療や製造業など専門性の高いドメインで汎用 ASR が抱えていた誤認識の壁が下がり、音声入力をそのまま下流の LLM パイプラインへ直結させやすくなる。
- 国内音声認識 SaaS への影響: [国内音声系 SaaS 業種] のような中規模事業者は、自社で専門用語辞書をチューニングする従来の手法から、コンテキスト連動型の API を前提としたアーキテクチャへの移行検討を迫られる。
3. 根拠・詳細（How）
- チャットスタイル API によるコンテキストバイアス: 従来の独立した音声セグメント処理ではなく、メッセージ API に過去の対話履歴を入力として渡すことで、文脈に沿った語彙への認識バイアスをモデル内部で動的に効かせる構造を採用した。
- API エンドポイントの仕様と制限: 北京・シンガポールリージョンの HTTP API を経由してデプロイされ、リアルタイムストリーミング用 WebSocket と非同期ファイル書き起こしに対応する一方、単一ファイルは 5 分までの長さに制限されている。
4. 展望・課題（Next）
- 長尺音声および話者分離への対応予定: Flash モデルでは 5 分のファイル長制限があり、話者分離機能もサポート外であるため、今後のアップデートや上位モデルでの機能拡充が検証ポイントとなる。