近日，阿里通义 Qwen 团队发布了一款名为 Qwen3-ASR-Toolkit 的开源 Python 命令行工具。这款工具旨在为用户提供更为便捷的音视频转录服务，特别是在音频时长方面，突破了 Qwen3-ASR-Flash API 的三分钟限制，能够实现小时级的快速转录。这一新工具的推出，无疑为需要进行大规模音频转录的用户提供了强有力的支持。
Qwen3-ASR-Flash 是通义千问系列中最新的语音识别模型，经过海量多模态数据及千万小时规模的自动语音识别（ASR）数据训练而成。它的强大性能为用户提供了高准确率的语音识别能力，使得长时间的音频和视频内容可以被有效转录成文本，极大地提升了工作效率。
Qwen3-ASR-Toolkit 采用了智能静音切分技术（VAD），确保转录过程中句子的完整性。同时，该工具能够自动将任意采样率的音频文件重采样为16kHz 单声道，以提高处理效果。此外，它还支持多线程并行上传分片的功能，这一特性显著缩短了总耗时，使得用户在使用过程中体验更加流畅。
在支持的媒体格式方面，Qwen3-ASR-Toolkit 基于 FFmpeg，几乎涵盖了所有主流音频和视频格式，包括 mp4、mov、mkv、mp3、wav、m4a 等，这使得用户在进行音视频转录时，能够更加灵活地选择文件类型，无需担心格式兼容问题。
