千问发布五款语音大模型并全线降价

千问正式发布 Qwen-Audio-3.1 系列语音大模型，一次性推出五款全新模型，形成了一套覆盖理解、生成、交互与创作的完整音频能力栈。本次升级对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，同时重磅推出全新的音频创作模型 Qwen-Audio-3.1-TTS-Next 与音频理解模型 Qwen-Audio-3.1-ASR-Next。为进一步降低用户使用成本，官方宣布全线语音模型价格下调，其中 TTS 降价约 70%，Realtime 降幅约 85%，ASR 降幅高达 95%。

在语音识别方向，Qwen-Audio-3.1-ASR 重点强化了多语种、方言识别与上下文理解能力，并新增原生转写润色功能，可自动去除语气词与重复表达、重组语义，让转写文本更顺畅也更有逻辑。全新方案支持分角色转写，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。模型采用端到端方案，把说话人标签、时间戳与文本联合输出，既能处理轮流发言，也能保留短插话和重叠语音。一套模型支持 30 种语言和 16 种中文方言，支持行业词、专业实体与分级热词识别，并可参考长音频历史上下文，让人名、缩写和专业术语保持一致。识别速度方面，模型支持低延迟流式识别，边说边转写，首字响应约 160 毫秒。

性能数据上，在基于 KeSpeech 和 WSYue 的 11 个子集进行的开源方言 ASR 与 AST 评测中，Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。在覆盖 16 种中文方言的内部自建测试集上，该模型在 11 个方言子集取得最优成绩，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显；方言翻译为普通话的测试中，它在 11 个方言子集的 10 个上表现最优，平均语义句准率达到 82.10%。

基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 则把处理对象从语音中的文字扩展为完整的音频信息。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。面对一段同时包含人物对话、背景音乐与环境声的音频，模型不仅可以输出对话文本，还能描述其中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。在分角色 ASR 评测中，Qwen-Audio-3.1-ASR-Flash-Next 与 Qwen-Audio-3.1-ASR-Flash 版本在四个测试集的八项指标中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。

语音合成方面，Qwen-Audio-3.1-TTS 支持多语种及方言合成，并在同一音色跨语言合成时实现自然迁移，让声音可以秒讲数种语言。相比只关注字音正确的传统方式，它更强调真实表达，可通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。而 Qwen-Audio-3.1-TTS-Next 把音频创作从单一语音合成推进到统一生成，围绕文本、时间戳和参考音频等输入，统一生成人声、音效与环境音。它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，避免多轮生成中角色变声，并呈现停顿、接话、附和与情绪转折等自然表达。模型还能融合人声、音效与环境声，体现声音材质、远近变化与空间层次，并允许通过自然语言指定语气、语速、音量以及音乐风格与配器方式，支持细粒度时间戳控制、声音复刻和 48kHz 输出。

实时语音交互模型 Qwen-Audio-3.1-Realtime 强调听得更懂、更会接话与更会共情。全双工实时交互让模型可以同时说和听，用户可以随时插话、打断，交流体验更接近真人通话。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会放慢语速、调整措辞。对话中切换语言时，模型继续保持此前的上下文、语气与交流节奏。在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，并将结果自然带回对话。

从整体布局来看，五款模型分别对应识别、理解、合成、创作和实时交互等环节，配合大幅下调的价格，语音大模型的调用门槛被进一步拉低。对于开发者而言，这意味着可以在同一技术体系内完成从语音转写到完整音频内容生产的多类任务，音频应用的构建成本与工程复杂度都有望明显降低。