2026年9月23日，中国的阿里巴巴旗下通义千问正式发布Qwen‑Audio‑3.1系列语音大模型。本次升级不仅对语音识别（ASR）、语音合成（TTS）和实时语音交互（Realtime）三大核心模型进行全面进化，还全新推出音频创作模型Qwen‑Audio‑3.1‑TTS‑Next与音频理解模型Qwen‑Audio‑3.1‑ASR‑Next。五款新模型同步亮相，形成覆盖“理解—生成—交互—创作”的完整音频能力栈。为进一步降低使用门槛，Qwen‑Audio全线语音模型价格均大幅下调，其中TTS降约70%、Realtime降约85%、ASR降幅最高达95%。
详细情况与核心能力
Qwen‑Audio‑3.1‑ASR聚焦更强的上下文理解与转写润色。模型进一步强化多语种、方言识别能力，新增原生转写润色功能，可自动去除语气词与重复表达并重组语义，使输出文本更顺畅、更有逻辑。支持端到端分角色转写，联合输出说话人标签、时间戳与文本。一套模型覆盖30种语言和16种中文方言，流式识别首字响应时间约160毫秒。实测在开源方言测试集上平均字符错误率（CER）为4.55%，中文方言自建集平均CER为10.38%，方言转普通话平均语义句准率达82.10%。
Qwen‑Audio‑3.1‑ASR‑Next是基于下一代架构的音频理解模型，将能力从“语音中的文字”扩展至完整音频信息。它能识别人物情绪、环境声与机械声，支持声音描述、事件定位、音频问答与推理。面对包含人物对话、背景音乐和环境声的复杂音频，模型不仅可输出对话文本，还能描述声音构成、事件发生时间，并回答相关问题。
Qwen‑Audio‑3.1‑TTS强化自然跨语言音色合成。支持多语种及方言合成，同一音色可实现自然跨语言迁移。用户可通过简单文本指令控制情绪、语速与风格，例如“用尖锐、命令式的语气朗读，要求权威感”。
Qwen‑Audio‑3.1‑TTS‑Next面向音频创作，采用语言模型与扩散方法结合的架构，一次性生成人声、音效与背景音频。支持多角色音色复刻、细粒度时间戳控制与48kHz输出，适用于播客、有声书、影视与游戏音频制作等场景。
Qwen‑Audio‑3.1‑Realtime实现全双工实时交互，支持边说边听与随时打断。模型基于多教师蒸馏架构，可感知情绪并调整回应节奏（如检测到低落情绪时放慢语速并更显共情），同时支持多语言实时切换与对话中工具调用。部分版本提供长达262K上下文，并支持函数调用与声音克隆。
目前，ASR与Realtime等模型已上架千问AI平台（阿里云Model Studio），ASR‑Next与TTS‑Next的API即将开放。部分TTS相关开源权重也以Apache 2.0协议发布。
价格调整与获取方式
此次全线降价力度显著：TTS约降70%，Realtime约降85%，ASR最高降95%。大幅降价直接降低了开发者与企业的使用门槛，有利于推动语音能力在客服、内容创作、智能硬件与Agent场景中的规模化落地。
可能影响
这一发布进一步完善了通义千问在音频领域的能力矩阵，从传统语音识别与合成，扩展到理解环境声、创作完整声景以及全双工智能交互，形成更完整的闭环。对国内开发者而言，大幅降价与多方言支持显著提升了可及性，尤其有利于中小团队与内容创作者快速落地多语种、多方言应用。
在行业层面，Qwen‑Audio‑3.1与同期谷歌Gemini 3.8 Flash TTS等产品形成直接竞争，加速了语音大模型从“能用”向“好用、便宜、可创作”的演进。实时交互与情绪感知能力的增强，也进一步推动语音成为人机交互的自然入口，并与千问办公、Qoder等Agent以及AI眼镜等硬件形成联动。
长期来看，完整音频能力栈与激进定价策略，有望提升通义在语音赛道的市场份额，并促使更多企业将语音功能从辅助工具升级为核心交互层。与此同时，复杂音频理解与创作场景的实际表现、以及API稳定性与延迟表现，仍将是后续验证的关键。
总体而言，Qwen‑Audio‑3.1系列通过能力升级与大幅降价，既补强了技术栈，也主动降低了行业使用成本，标志着国内语音大模型进入更注重实用与规模化落地的新阶段。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com