Alibaba ha presentado su nuevo modelo Qwen3-ASR-Flash, una herramienta que promete revolucionar el ámbito de la transcripción de audio mediante inteligencia artificial. Este modelo, que se apoya en la robusta inteligencia del Qwen3-Omni, fue entrenado con un vasto conjunto de datos que incluye decenas de millones de horas de grabaciones de voz. No se trata de un simple modelo de reconocimiento de voz; su diseño está orientado a ofrecer un rendimiento altamente preciso, incluso en entornos acústicos complicados o al enfrentar patrones de lenguaje complejos.

Las pruebas realizadas en agosto de 2025 revelaron que el Qwen3-ASR-Flash supera a sus competidores en varios aspectos. En un test público para el chino estándar, logró un asombroso índice de error del 3.97%, dejando atrás a rivales como Gemini-2.5-Pro, que alcanzó un 8.98%, y GPT4o-Transcribe, que se quedó en un 15.72%. Además, mostró una notable capacidad para manejar acentos del chino, con un error del 3.48%. En inglés, el modelo también se destacó, con un error del 3.81%, superando a Gemini, que obtuvo un 7.63%, y a GPT4o, que llegó a 8.45%.

Uno de los aspectos más sorprendentes del Qwen3-ASR-Flash es su capacidad para transcribir música. Al intentar reconocer letras de canciones, el modelo registró un error del 4.51%, un resultado notablemente mejor que el de sus competidores. En pruebas internas sobre canciones completas, el índice de error fue del 9.96%, en comparación con el 32.79%58.59%

Además de su impresionante precisión, este modelo introduce características innovadoras que marcarán un antes y un después en las herramientas de transcripción de AI. Un cambio significativo es su flexibilidad en el sesgo contextual. Ya no es necesario pasar horas formateando listas de palabras clave; los usuarios pueden introducir texto de fondo en casi cualquier formato para obtener resultados personalizados. Esto significa que se pueden proporcionar listas simples de palabras clave, documentos completos o incluso una mezcla desordenada de ambos. El modelo es lo suficientemente inteligente como para utilizar el contexto y mejorar su precisión, y su rendimiento general no se ve afectado, incluso si el texto proporcionado es irrelevante.

Alibaba tiene la ambición de convertir este modelo de AI en una herramienta de transcripción de voz global. El servicio ofrece transcripciones precisas en un solo modelo que abarca 11 idiomas, incluyendo numerosos dialectos y acentos. Su soporte para el chino es especialmente amplio, abarcando no solo el mandarín, sino también dialectos importantes como el cantonés, el sichuanés, el minnan (hokkien) y el wu. Para los hispanohablantes, maneja acentos británicos, americanos y de otras regiones. Además, el modelo soporta otros idiomas como el francés, alemán, español, italiano, portugués, ruso, japonés, coreano y árabe.

Finalmente, el modelo es capaz de identificar con precisión cuál de los 11 idiomas se está hablando y es eficaz en rechazar segmentos que no corresponden al habla, como silencios o ruidos de fondo, lo que garantiza una salida más limpia que las herramientas de transcripción de voz de AI anteriores.