千问发布五款语音大模型，ASR价格降九成五

千问把自家语音技术栈整体翻新，一口气放出Qwen-Audio-3.1系列五款模型，从语音识别、语音合成到实时交互，再到音频创作与泛音频理解，凑齐了一套覆盖“理解、生成、交互、创作”的完整音频能力矩阵。与模型发布同步落地的还有一轮力度很大的价格调整：TTS直降约七成，Realtime降幅约八成五，ASR更是砍掉九成五。这意味着语音能力的调用门槛被压到极低，开发者可以更低成本地把“耳朵和嗓子”接进自己的产品。

识别这条线上，Qwen-Audio-3.1-ASR成为新一代语音识别大模型，最见功夫的地方是“听得懂上下文”。它新增原生转写润色能力，能自动剥掉语气词、删掉重复表达、重组语义，让输出文字更顺、更有逻辑，而不只是把声音原样转成文字。分角色转写则把“谁在什么时候说了什么”完整还原，为会议、访谈和对话分析留下可追溯的结构化记录。这套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，也能留住短插话和重叠语音，把每个人说的话掰得清清楚楚。

覆盖广度同样可观：一套模型吃下30种语言和16种中文方言，行业词、专业实体和分级热词都能识别，还会参考长音频的历史上下文，让人名和术语在整个音频里保持一致。延迟方面，首字响应压到约160毫秒，边说边转写不卡顿。成绩单也够硬：公开方言数据集KeSpeech和WSYue的11个子集上平均字错误率4.55%，中文16种方言内部测试平均字错误率10.38%，温州话这类难啃的方言提升尤其明显，方言翻普通话的平均语义句准率达到82.10%。

更进一步的是基于下代架构的Qwen-Audio-3.1-ASR-Next。它把识别对象从“语音里的文字”扩展成“完整的音频信息”，能听懂人物情绪、环境声和机械声，完成声音描述、事件定位和音频问答推理。给一段混着对话、背景音乐与环境声的音频，它不只输出字幕，还能告诉你里面有哪些声音、相关事件何时发生，并回答关于整段内容的提问。在分角色ASR测试中，ASR-Flash-Next和ASR-Flash分别在八项指标里拿下五项和三项最优，全面超过此前的Fun-ASR级联系统。

合成这边，Qwen-Audio-3.1-TTS强调真实表达，而非只求字音正确。它支持多语种与方言合成，同一音色跨语言时能自然迁移，让一个声音秒讲数种语言，还能靠指令控制情绪、语速和表达方式，让声音贴合具体内容与场景。

真正的惊喜来自下代架构的Qwen-Audio-3.1-TTS-Next，它把音频创作从“单一人声合成”升格为“通用音频生成系统”。过去做一段完整音频，需要主播、音效师、混音师、剪辑师分头干活再后期缝合；现在围绕文本、时间戳和参考音频，一个模型就能统一生成人声、音效和环境音。它支持多人音色复刻与多轮对话，连续内容里各角色音色不“变声”，还会演绎停顿、接话、附和与情绪转折；多类声音融合生成，能呈现材质、远近与空间层次，有声书里可以同时处理旁白、两角色对话，再补上城市低鸣、晚风和易拉罐碰撞声。更专业的是它吃自然语言控制，可指定语气、语速、音量、音乐风格与配器，支持细粒度时间戳、声音复刻和48kHz输出，对白起止与声音事件节奏都能精准排布。

实时交互这条线上，Qwen-Audio-3.1-Realtime不再把识别、模型和合成简单串起来，而是走全双工，能同时说和听，用户随时插话、打断，体验贴近真人通话。模型理解的不只是文字，还有声音背后的情绪与意图，察觉语气低落时会放慢语速、调整措辞，而不是机械回一句“我理解”；对话中切换语言，上下文、语气和节奏不断档；面对不确定信息少编，面对高风险内容守住边界。它还基于多教师蒸馏架构，在保持低延迟的同时提升推理与安全能力，并能在实时对话里直接调用Agent工具，连接API、知识库和业务系统去查、去执行，把结果自然带回对话。

落地已经在路上。Qwen-Audio-3.1-Realtime正与Qoder、千问办公等Agent，以及QwenNote、A2、Eva、千问AI眼镜、乐奇AI眼镜等硬件结合，让用户不必打开电脑手机，直接动嘴发起任务，并在对话里追加条件或修改需求。从ASR的润色与方言、ASR-Next的泛音频理解、TTS的跨语言音色、TTS-Next的完整音频创作，到Realtime的拟人共情与工具调用，千问沿着五条清晰的技术路径同时推进，把“能听懂、能创作、能聊天”打包成语音这一连接人、内容与AI的自然入口，而九成五的ASR降价，则把这道入口的门槛几乎拆到了地平线以下。