会议记录、采访整理、视频配音这类活儿正越来越多地交给 AI，而处理音频要花多少钱，直接决定用不用得起。9 月 23 日，阿里千问把语音能力整体升级到 Qwen-Audio-3.1，覆盖识别、合成、实时对话到音频创作，相关服务价格也大幅下调。对需要批量转写或制作音频的用户来说，同样一笔预算能处理的量明显变多了。
据千问方面公布的信息，此次共推出五款模型：语音识别模型 Qwen-Audio-3.1-ASR、音频理解模型 ASR-Next、语音合成模型 TTS、音频创作模型 TTS-Next，以及实时语音交互模型 Realtime，构成覆盖理解、生成、交互与创作的音频能力链条。价格方面，TTS 降价约 70%，Realtime 降幅约 85%，ASR 降幅达 95%，官方称此举是为降低用户使用成本。
识别能力上，Qwen-Audio-3.1-ASR 支持 30 种语言和 16 种中文方言，新增原生转写润色能力，可自动去掉语气词与重复表达并重组语义。它采用端到端方案，把说话人标签、时间戳与文本联合输出，也能保留短插话和重叠语音。低延迟流式识别下，首字响应约 160 毫秒。官方评测数据显示，该模型在开源方言数据上的平均字错误率为 4.55%，在中文方言自建测试集上平均字错误率 10.38%。
合成与创作侧，Qwen-Audio-3.1-TTS 支持多语种及方言合成，并能在同一音色跨语言合成时保持自然迁移，用户可通过指令控制情绪、语速和表达方式。新发布的 TTS-Next 不再局限于单一语音合成，而是围绕文本、时间戳和参考音频，统一生成人声、音效与环境音，支持多人音色复刻与多轮对话生成，并支持 48kHz 输出，面向播客、有声书、影视剧、游戏等创作场景。
实时交互模型 Qwen-Audio-3.1-Realtime 采用全双工架构，说话与收听同时进行，用户可随时插话、打断；对话中切换语言时，模型会延续此前的上下文、语气和交流节奏。该模型可识别语气与交流意图，并能在实时对话中调用工具，连接 API、知识库和业务系统完成查询或任务执行。
落地方面，千问披露，Realtime 正在与 Qoder、千问办公等智能体，以及 QwenNote、A2、Eva、千问 AI 眼镜等智能硬件结合。在这些场景中，用户无需打开电脑或手机，可直接通过语音发起任务，并在持续对话中补充条件或了解执行进度。
信息来源：IT之家
免责声明：本站转载的文章，版权归原作者所有；旨在传递信息，不代表本站的观点和立场。
