语音模型全线降价：千问 Qwen Audio 3.1 五款齐发，识别降幅最高 95%

9 月 23 日，千问把 Qwen Audio 3.1 系列语音大模型正式推出，覆盖语音识别、语音合成与实时语音交互三条核心产品线，做了一次全面升级，同时带来两款新成员：音频创作模型 Qwen Audio 3.1 TTS Next 与音频理解模型 Qwen Audio 3.1 ASR Next。官方表示，五款新模型拼出了覆盖理解、生成、交互与创作的完整音频能力栈。为了让使用成本进一步下降，全线语音模型的定价都往下调：TTS 大约降了 70%，Realtime 约 85%，ASR 的降幅更是达到 95%。

识别能力上，Qwen Audio 3.1 ASR 强化了多语种、方言识别与上下文理解，并新增原生转写润色功能，可以自动去掉语气词与重复表达、重新组织语义。它一套模型支持 30 种语言与 16 种中文方言，具备低延迟流式识别能力，首字响应只要 160 毫秒左右。放在中文方言的内部测试集上，它的平均 CER 落在 10.38%，并在 11 个方言子集里拿到最优，温州话这类偏难的方言提升更明显。

ASR Next 换用了下一代架构，能听懂人物情绪、环境声与机械声，可以完成声音描述、事件定位，也能做音频问答与推理，处理对象则从语音里的文字，扩大到了完整的音频信息。在分角色的 ASR 评测中，它在四个测试集的八项指标里拿下五项最优。

合成侧，Qwen Audio 3.1 TTS 支持多语种与方言合成，同一音色在跨语言合成时也能自然迁移，还能通过指令控制情绪、语速与表达方式。全新的 TTS Next 不再只做单纯的语音合成，而是依据文本、时间戳与参考音频，把人声、音效和环境音一并生成出来。它支持多角色的音色复刻，也能进行多轮对话生成，借助自然语言就能控制生成过程，时间戳控制可以做到很细，输出规格为 48kHz，把播客、有声书、影视剧、游戏与广告等专业音频创作场景都纳入进来。

交互侧，Qwen Audio 3.1 Realtime 升级了全双工实时交互，可以边说边听，随时插话或打断。它能读懂用户的情绪与意图，切换语言时也会保持上下文和语气，还可以主动调用 Agent 工具，去搜索、查询或执行任务。目前，Realtime 已接入 Qoder 与千问办公这类 Agent，也与 QwenNote、A2 以及 Eva 这些产品，以及乐奇 AI 眼镜、千问 AI 眼镜等智能硬件做结合。

文章与图片内容转载网络，如有侵权请联系平台删除