阿里千問發佈 Qwen-Audio-3.1：五款語音模型同發，ASR 價格直降 95%

AI資訊AI新閒資訊正文阿里千問發佈 Qwen-Audio-3.1：五款語音模型同發，ASR 價格直降 95%發布於AI新閒資訊時間 :Sep 23, 2026閱讀 :1分鐘千問當日正式發佈 Qwen-Audio-3.1 系列語音大模型。本次升級不僅對語音識別、語音合成和實時語音交互三大核心模型全面進化，還重磅推出全新的音頻創作模型 Qwen-Audio-3.1-TTS-Next 與音頻理解模型 Qwen-Audio-3.1-ASR-Next。五款新模型同時亮相，形成覆蓋“理解—生成—交互—創作”的完整音頻能力棧。

為進一步降低使用門檻，Qwen-Audio 全線語音模型價格均下調，其中 TTS 降約 70%、Realtime 降約 85%、ASR 降幅達 95%。五款模型同發，ASR 價格直降 95%Qwen-Audio-3.1-ASR 是新一代語音識別模型，新增原生轉寫潤色能力，可自動去除語氣詞與重複表達並重組語義；其分角色轉寫能完整呈現“誰在什麼時候說了什麼”，為會議、訪談提供可追溯的結構化記錄。該模型一套支持 30 種語言與 16 種中文方言，支持行業詞與分級熱詞識別，並提供低延遲流式識別，首字響應約 160 毫秒。

性能上，其在 KeSpeech 與 WSYue 的 11 個子集平均字錯誤率（CER）4.55%，中文方言內部測試集平均 CER 10.38%，AST 平均語義句準率 82.10%。基於下代架構的 ASR-Next 則把處理對象從“語音中的文字”擴展為“完整音頻信息”，可理解人物情緒、環境聲與機械聲，完成聲音描述、事件定位與音頻問答推理。在分角色 ASR 評測中，其 Flash-Next 與 Flash 版本分別取得五項和三項最優，全面優於此前的 Fun-ASR 級聯繫統。語音合成方面，Qwen-Audio-3.

1-TTS 支持多語種及方言合成，並讓同一音色在跨語言時自然遷移，可通過指令控制情緒、語速與表達方式。新一代 TTS-Next 更進一步，圍繞文本、時間戳與參考音頻統一生成人聲、音效與環境音，一次創作完整音頻內容，並支持 48kHz 輸出與細粒度時間戳控制，滿足播客、有聲書、影視和遊戲等需求。從聽懂到創作，語音成 AI 自然入口實時交互模型 Qwen-Audio-3.1-Realtime 採用全雙工架構，可同時說和聽、支持隨時插話打斷，並從識別文字升級為理解情緒與交流意圖——識別到用戶語氣低落時會放慢語速、調整措辭。

它還支持多語言實時切換，並在對話中調用 API、知識庫與業務系統工具完成任務；基於多教師蒸餾架構，在保持低延遲的同時強化了事實可靠性與安全邊界。目前，Qwen-Audio-3.1-Realtime 正與 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。在這些場景中，用戶無需始終打開電腦或手機，即可通過語音直接發起任務，並在實時對話中追加條件、修改需求或瞭解執行情況。千問表示，Qwen-Audio 3.

1 的升級並非單點指標優化，而是沿五條技術路徑推進，讓“能聽懂、能創作、能聊天”的語音成為連接人、內容與 AI 的自然入口。相關推薦千問一口氣端出五款語音大模型，TTS價格腰斬七成、ASR砍掉九成五，把耳朵和嗓子全打包給了開發者阿里千問9月23日升級語音棧，推出Qwen-Audio-3.1系列五款模型，覆蓋識別、合成、實時交互、音頻創作與理解，形成“理解—生成—交互—創作”完整矩陣。價格大幅下調：TTS降約70%、Realtime降約85%、ASR降95%，大幅降低語音使用門檻。Sep 23, 2026102.0k千問發佈 Qwen-Audio-3.

1系列語音大模型，五款模型全線降價最高95%千問9月23日發佈Qwen-Audio-3.1系列語音大模型，形成覆蓋理解、生成、交互與創作的完整音頻能力棧，含ASR、ASR-Next、TTS、TTS-Next及Realtime。API已上架千問AI平臺，ASR-Next即將上線。同步全線降價：TTS約70%、Realtime約85%、ASR達95%。ASR增強多語種、方言識別與上下文理解，新增原生轉寫潤色。Sep 23, 202682.4k阿里Qwen-Audio-3.0系列語音模型上線千問AI平臺，斬獲國際評測“大滿貫”阿里巴巴在千問AI平臺全面上線Qwen-Audio-3.

0系列語音模型，涵蓋語音識別、語音合成和實時語音交互三款。官方稱，該系列在權威評測平臺Artificial Analysis今年7月語音排行榜中表現卓越，包攬語音識別、實時交互和語音合成三項第一。Aug 17, 2026280.0k騰訊混元 Hy ASR3.0 預覽版發佈：從"聽清"到"聽懂"，方言詞錯率壓到 3%騰訊混元發佈語音識別模型Hy ASR3.0 Preview，基於大語言模型Hy3，融合高精度識別與深度語義理解，實現從“逐字轉寫”到“理解語境”的質變。模型覆蓋十大方言片區，長音頻場景優勢突出，不依賴標準普通話，讓AI不僅能聽清字，更能真正聽懂話。Aug 5, 2026266.

9k騰訊混元發佈Hy ASR3.0preview:語音識別邁入“懂語境”新階段騰訊混元發佈語音識別模型Hy ASR3.0preview，首次將大語言模型Hy3的語義理解融入識別，實現從逐字轉寫向“理解語境、一鍵直出”跨越。在開源評測集上，中文普通話、英語、粵語詞錯誤率分別為3.34%、2.62%、3.12%，整體約3%，多維度表現亮眼。Aug 4, 2026309.1k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026