阿里千问发布 Qwen-Audio-3.1 系列五款语音模型，TTS 降价约 70%

Qwen-Audio-3.1-ASR 支持 30 种语言和 16 种中文方言，在 KeSpeech 等 11 个方言子集上平均 CER 为 4.

55%。TTS-Next 可用自然语言控制，统一生成人声、音效和环境声，输出 48kHz 音频。

Realtime 支持全双工交互，可在对话中调用 Agent 工具。价格方面 ASR 降幅达 95%，Realtime 降幅约 85%。

阿里千问发布 Qwen-Audio-3.1 系列语音大模型，并下调全线产品价格

IT之家 9 月 23 日消息，今天，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、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了全新的音频创作模型 Qwen-Audio-3.1-TTS-Next 和音频理解模型 Qwen-Audio-3.1-ASR-Next。 官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本， Qwen-Audio 全线语音模型价格均下调 ，其中 TTS 降价约 70%，Realtime 降幅约 85%，ASR 降幅达 95%。 IT之家附官方详细介绍如下： Qwen-Audio-3.1-ASR： 更强的上下文理解和润色 Qwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。 此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。 核心能力亮点： 结构化： 端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。 听得广： 一套模型支持 30 种语言 和 16 种中文方言 ，覆盖多语言交流、方言对话等复杂语音场景。 听得准： 支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。 听得快： 支持低延迟流式识别，边说边转写，实时输出准确文字， 首字响应约 160 毫秒 。 听得清： 原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。 性能表现 开源方言 ASR / AST： 通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。 中文方言内部自建测试集 ASR： 评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。 中文方言内部自建测试集 AST： 评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。 Qwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。 Qwen-Audio-3.1-ASR-Next： 更好地理解人物情绪与场景 基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。 例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。 由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。 性能表现 分角色 ASR： 评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中， Qwen-Audio-3.1-ASR-Flash-Next 和 Qwen-Audio-3.1-ASR-Flash 版本 分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。 Qwen-Audio-3.1-TTS： 更自然的跨语言音色合成 Qwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。 相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。 Qwen-Audio-3.1-TTS-Next： 更高效的音频创作方式 基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。 过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它不再局限于单一语音合成，而是围绕文本、时间戳和参考音频等输入，统一生成人声、音效和环境音，创作完整的音频内容。 核心能力亮点： 一个模型统一生成多类音频： 支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。 保持多角色音色与情绪一致： 支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。 融合人声、音效与环境声： 多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。 使用自然语言控制生成过程： 通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。 Qwen-Audio-3.1-Realtime： 更自然的实时互动体验 实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。 全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。 核心能力亮点： 从识别文字，到理解情绪与交流意图： 模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。 支持多语言实时交流与自然切换： 对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。 强化安全边界与事实可靠性： 面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。 在实时对话中调用工具： 当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。 基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。 Qwen-Audio 进入 Agent 与智能硬件 Qwen-Audio-3.1-Realtime 正在与 Qoder、千问办公等 Agent，以及 QwenNote、A2、Eva、千问 AI 眼镜、乐奇 AI 眼镜等智能硬件结合。 在这些硬件场景中，用户不必始终打开电脑或手机，可以 直接通过语音发起任务 ，并在实时对话中继续新增条件、修改需求或了解执行情况。 总结 Qwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前： Qwen-Audio-3.1-ASR 新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。 Qwen-Audio-3.1-ASR-Next 将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。 Qwen-Audio-3.1-TTS 让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。 Qwen-Audio-3.1-TTS-Next 从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。 能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。

This report is categorized under AITOP's "Models" desk, focusing on China's AI industry and domestic foundation model ecosystem. Within our cross-regional analytical framework, it directly maps to US-China foundation model benchmarks and commercialization comparison and AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include Qwen, 语音识别, 语音合成, 开源模型.

Source attribution: curated from IT之家.