阿里一口氣上新5款千問模型！價格最高降95%

作者 | 畢偉豪 編輯｜李水青 9月23日報道，千問今日正式發佈Qwen-Audio-3.1系列語音大模型，一次性推出5款模型，對語音識別（ASR）、語音合成（TTS）和實時語音交互（Realtime）三大核心模型進行了升級，還發布了基於下一代架構的音頻理解模型ASR-Next與音頻創作模型TTS-Next。其中，新一代語音識別大模型Qwen-Audio-3.1-ASR 通過公開方言測試集KeSpeech和WSYue進行了測試，在11個子集其中的6個裡，相比Doubao-ASR和Tencent Hy-ASR-3.0-preview兩款開源模型成績更好，平均字錯誤率（CER）僅為4.55%。

▲公開方言測試成績（來源：千問大模型） 此外，Qwen-Audio全線語音模型價格下調，其中TTS降價約70%、Realtime降幅約85%、ASR降幅達95%。價格方面，Qwen-Audio-3.1-ASR-Flash輸入0.8元、輸出2.7元/百萬tokens；Qwen-Audio-3.1-TTS-Flash輸入1.5元、輸出12元/百萬tokens；Qwen-Audio-3.1-TTS-Next輸入6元、輸出12元/百萬tokens；Qwen-Audio-3.1-Realtime-Plus根據檔位不同，輸入5～40元、輸出40～150元/百萬tokens。▲Qwen-Audio-3.

1系列語音模型價格一覽表（製圖） 該系列中，大部分模型的API已上架千問AI平臺，其中ASR-Next的API還未上線。在9月22日開幕的2026雲棲大會上，阿里就已預告了這次發佈的幾款模型，首次登場的同聲傳譯模型Qwen3.8-LiveTranslate並不再此次發佈列表之中。除此之外，千問辦公今天還發布了兩款智能硬件，分別是首款Agent硬件QwenNote A2和桌面機器人Eva，Qwen-Audio-3.1-Realtime會逐步接入這些硬件。其中，QwenNote A2是一款磁吸在手機背面的AI助理設備，自帶4G網絡，能脫離手機獨立錄音轉寫、翻譯，支持AI對話、總結會議和撰寫方案。

桌面機器人Eva內置千問辦公，能夠與用戶進行實時語音交互，完成用戶下達的任務，並支持多端聯動。體驗地址： Qwen-Audio-3.1-ASR: https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash Qwen-Audio-3.1-TTS： https://www.qianwenai.com/models/qwen-audio-3.1-tts-flash Qwen-Audio-3.1-TTS-Next: https://www.qianwenai.com/models/qwen-audio-3.

1-tts-next Qwen-Audio-3.1-Realtime: https://www.qianwenai.com/models/qwen-audio-3.1-realtime-plus 一、三大核心模型升級：16種方言、跨語言合成、全雙工 Qwen-Audio-3.1-ASR具備結構化、聽得廣、聽得準、聽得快、聽得清五項核心能力。其中，Qwen-Audio-3.1-ASR採用端到端方案，把說話人標籤、時間戳和文本聯合輸出，既能處理輪流發言，也能保留短插話和重疊語音，可以為會議、訪談和對話分析提供可追溯的結構化記錄。語言覆蓋面上，一套模型支持30種語言和16種中文方言。

詞彙覆蓋率方面，該模型支持行業詞、專業實體和分級熱詞識別，能參考長音頻歷史上下文，保持人名、縮寫和術語一致。延遲方面，該模型在低延遲流式識別下，首字響應約160毫秒。同時，Qwen-Audio-3.1-ASR在轉寫完成後自帶潤色功能，可以自動去除語氣詞與重複表達並僅需語義重組，能夠自動區分不同說話人，實現長音頻角色一致、時間對齊與結構化輸出。除公開測試外，在阿里內部自建的中文方言測試集評測ASR中，Qwen-Audio-3.1-ASR在對16種中文方言的原文轉寫測試中，平均CER為10.38%，溫州話和蘇州話識別能力斷層領先。

▲阿里內部自建中文方言測試集評測ASR成績（來源：千問大模型） 內部自建的中文方言測試集評測AST，用於評測將方言語音翻譯為普通話、準確保留原意的能力，Qwen-Audio-3.1-ASR在11個方言子集中的10個上表現最優，平均語義句準率達到82.10%。▲阿里內部自建中文方言測試集評測AST成績（來源：千問大模型） Qwen-Audio-3.1-TTS升級重點是跨語言音色合成能力，同一個音色能跨語種自然遷移，官方演示中，Qwen-Audio-3.1-TTS能夠用一種音色分別說出普通話、廣東話、河南話、英語和日語。

此外，模型合成語音的情緒、語速和表達方式可以通過指令控制，同一句話可以表現出開心、傷心等不同狀態，更強調真實表達，使聲音貼近具體內容與使用場景。實時語音交互模型Qwen-Audio-3.1-Realtime進一步強化了對情緒、交流意圖和上下文的理解，同時支持多語言實時切換、工具調用，並強化了安全與事實可靠性。在實際多人對話場景中，全雙工實時交互讓Qwen-Audio-3.1-Realtime能夠根據對話進程適時等待、插入和回應，面對多人連續交流，可以結合上下文判斷何時應該參與對話、何時繼續等待。Qwen-Audio-3.

1-Realtime可以根據用戶的語氣和情緒調整回應方式，在對話中切換語言後繼續保持上下文和交流節奏。當用戶提出查詢、搜索等需求時，Qwen-Audio-3.1-Realtime還能調用API、知識庫等外部工具完成任務，再將結果帶回對話。據發佈的技術報告，Qwen-Audio-3.1-Realtime在τ-Voice半雙工語音轉文字適配版上的整體任務成功率從78.4%提升至82.0%；在Full-Duplex-Bench v1.5上，對背景語音的響應率從73.0%降至13.0%，意味著模型更少受到無關背景語音的干擾。▲Qwen-Audio-3.

1-Realtime技術報告（來源：arXiv） 此外，Qwen-Audio-3.1-Realtime正在與Qoder、千問辦公等Agent，以及QwenNote、A2、Eva、千問AI眼鏡、樂奇AI眼鏡等智能硬件結合。官方稱，在這些場景下，用戶不必始終打開電腦或手機，可以直接通過語音發起任務，並在實時對話中繼續添加條件、修改需求或瞭解執行情況。二、兩款Next新模型：一個拓寬音頻理解，一個打通音頻創作 本次阿里還發布了兩款音頻方向的新模型Qwen-Audio-3.1-ASR-Next和Qwen-Audio-3.1-TTS-Next，分別用於補充ASR和TTS在語音之外的音頻理解空缺。

Qwen-Audio-3.1-ASR-Next把聲音處理範圍從語音中的文字擴展到完整音頻信息，能理解人物情緒、環境聲與機械聲，完成聲音描述、事件定位、音頻問答與推理。官方舉例，面對一段同時包含人物對話、背景音樂和環境聲的音頻，模型會輸出對話文本，還會描述裡面有哪些聲音、相關事件在何時發生，並回答與整段內容有關的問題。在分角色ASR的評測中，Qwen-Audio-3.1-ASR-Flash-Next與Qwen-Audio-3.1-ASR-Flash版本分別拿下五項和三項最優結果，均優於此前的Fun-ASR級聯繫統。Qwen-Audio-3.1-TTS-Next則將能力從語音合成拓展到音頻創作。

基於文本、時間戳和參考音頻等輸入，模型可以統一生成人聲、音效和環境音，組合成完整的音頻內容。在多輪生成中，模型能夠保持不同角色的音色一致，並呈現停頓、接話、情緒轉折等自然表達。同時Qwen-Audio-3.1-TTS-Next支持細粒度時間戳控制、聲音復刻和48kHz輸出，可以對對話、音效和內容節奏進行更精細的編排，覆蓋播客、有聲書、影視、遊戲、廣告等場景。結語：能力拓展、價格下探，軟硬件提供流量入口 Qwen-Audio-3.1系列語音模型在語音識別、語音合成和實時交互能力等方面持續優化，價格也進一步下探。與此同時，ASR-Next、TTS-Next也將能力覆蓋範圍向音頻理解和音頻創作延伸。

阿里方面將語音定位為連接人、內容與AI的自然入口。接下來，AI眼鏡、桌面機器人等新終端的普及，也將帶來更多語音調用需求。