9 月 23 日，阿里千问正式发布 Qwen-Audio-3.1 系列语音大模型，对语音识别、语音合成和实时语音交互三大核心模型进行全面升级，同时推出音频创作模型 Qwen-Audio-3.1-TTS-Next 和音频理解模型 Qwen-Audio-3.1-ASR-Next。五款模型共同构成覆盖“理解-生成-交互-创作”的完整音频能力栈。伴随此次发布，千问对 Qwen-Audio 全线语音模型进行价格下调，其中 TTS 降价约 70％，Realtime 降幅约 85％，ASR 降幅达 95％。
在语音识别方面，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。该模型支持 30 种语言和 16 种中文方言，具备低延迟流式识别能力，首字响应约 160 毫秒。在公开方言测试集上，该模型平均 CER 为 4.55％，在 6 个子集上取得最优结果；在中文方言内部自建测试集中，11 个方言子集取得最优，平均 CER 为 10.38％，方言转普通话的平均语义句准率达到 82.10％。
全新发布的 Qwen-Audio-3.1-ASR-Next 基于下代架构，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。该模型的处理对象从“语音中的文字”扩展为“完整的音频信息”，可对同时包含对话、背景音乐和环境声的音频输出对话文本，并进一步描述声音类型与事件发生时间。在分角色 ASR 评测中，Qwen-Audio-3.1-ASR-Flash-Next 和 Qwen-Audio-3.1-ASR-Flash 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。
语音合成方面，Qwen-Audio-3.1-TTS 支持多语种及方言合成，并支持同一音色跨语言合成时的自然迁移。该模型通过指令控制情绪、语速和表达方式，使声音表达贴近具体内容与使用场景。新推出的 Qwen-Audio-3.1-TTS-Next 则面向完整音频创作，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。该模型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一致，并支持细粒度时间戳控制、声音复刻和 48kHz 输出，可满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。
实时语音交互模型 Qwen-Audio-3.1-Realtime 此次升级聚焦全双工交互能力，支持同时说和听，用户可随时插话、打断。模型在识别文字之外，还可理解声音背后的情绪与交流意图，并根据上下文调整语速和措辞。该模型支持多语言实时交流与自然切换，对话中切换语言时保持此前的上下文、语气和交流节奏。此外，模型强化了安全边界与事实可靠性，在面对不确定信息时减少缺乏事实依据的回答。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，并将结果自然带回对话。
从行业视角看，此次发布呈现出两个明确方向。其一，语音模型的能力边界正从单一的识别或合成，向覆盖理解、生成、交互与创作的全链路延伸，ASR 的处理对象从文字扩展至完整音频信息，TTS 则从语音合成扩展至包含人声、音效与环境声的完整音频内容生成。其二，价格大幅下调表明语音大模型的调用成本正在快速下降，其中 ASR 降幅达 95％，这将在一定程度上降低企业接入语音能力的门槛，推动语音技术在会议记录、客服系统、内容创作等场景中的规模化应用。
随着语音模型在方言识别、情绪理解和实时交互等维度持续迭代，其在企业服务领域的落地空间值得关注，尤其是在智能客服、会议转写、多语言协作等场景中，模型能力的提升与调用成本的下降可能加速相关应用的普及。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
