阿里千問發佈 Qwen-Audio-3.1 系列語音大模型，並下調全線產品價格

作者：遠洋 責編：遠洋 評論： 感謝網友 Domado、衝吧lzl 的線索投遞！9 月 23 日消息，今天，千問正式發佈 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進行了全面進化，更重磅推出了全新的音頻創作模型 Qwen-Audio-3.1-TTS-Next 和音頻理解模型 Qwen-Audio-3.1-ASR-Next。官方稱，五款全新的語音模型同時推出，形成了一套覆蓋“理解-生成-交互-創作”的完整音頻能力棧。

為進一步降低用戶使用成本，Qwen-Audio 全線語音模型價格均下調，其中 TTS 降價約 70%，Realtime 降幅約 85%，ASR 降幅達 95%。附官方詳細介紹如下：Qwen-Audio-3.1-ASR：更強的上下文理解和潤色Qwen-Audio-3.1-ASR 是新一代語音識別大模型，進一步增強多語種、方言識別與上下文理解能力，並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，讓轉寫的文字更順暢、更有邏輯。此外，全新方案的分角色轉寫，完整呈現“誰在什麼時候說了什麼”，為會議、訪談和對話分析提供可追溯的結構化記錄。

核心能力亮點： 結構化：端到端方案，把說話人標籤、時間戳和文本聯合輸出。模型既能處理輪流發言，也能保留短插話和重疊語音，把每個人說的話轉寫清楚。聽得廣：一套模型支持 30 種語言和 16 種中文方言，覆蓋多語言交流、方言對話等複雜語音場景。聽得準：支持行業詞、專業實體和分級熱詞識別，並能參考長音頻歷史上下文，讓人名、縮寫和專業術語保持一致。聽得快：支持低延遲流式識別，邊說邊轉寫，實時輸出準確文字，首字響應約 160 毫秒。聽得清：原生完成去語氣詞、去重複、自我糾正和語義重組；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。

性能表現開源方言 ASR / AST：通過 KeSpeech 和 WSYue 的 11 個子集，評測模型在公開數據上的方言轉寫與翻譯能力。Qwen-Audio-3.1-ASR 平均 CER 為 4.55%，並在 6 個子集上取得最優結果。中文方言內部自建測試集 ASR：評測模型對 16 種中文方言的原文轉寫能力，以字錯誤率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 個方言子集上取得最優結果，平均 CER 為 10.38%，其中溫州話等較難方言的提升尤為明顯。中文方言內部自建測試集 AST：評測模型將方言語音翻譯為普通話、準確保留原意的能力，以語義句準率衡量。

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%。Qwen-Audio-3.1-ASR-Next：更好地理解人物情緒與場景基於下代架構的音頻理解模型 Qwen-Audio-3.1-ASR-Next 全新發布，它能夠理解人物情緒、環境聲與機械聲，完成聲音描述、事件定位、音頻問答與推理。例如，面對一段同時包含人物對話、背景音樂和環境聲的音頻，模型不僅可以輸出對話文本，還可以進一步描述音頻中包含哪些聲音、相關事件在何時發生，並回答與整段內容有關的問題。由此，ASR 處理的對象開始從“語音中的文字”擴展為“完整的音頻信息”。

性能表現分角色 ASR：評測多人語音中“誰在什麼時候說了什麼”的識別能力，同時考察說話人區分和轉寫準確性。在四個測試集的八項指標中，Qwen-Audio-3.1-ASR-Flash-Next 和 Qwen-Audio-3.1-ASR-Flash 版本分別取得五項和三項最優結果，均全面優於此前的 Fun-ASR 級聯繫統。Qwen-Audio-3.1-TTS：更自然的跨語言音色合成Qwen-Audio-3.1-TTS 是新一代語音合成大模型，支持多語種及方言合成，支持模型在同一音色跨語言合成時的自然遷移，讓你秒講數種語言。

相比只關注字音正確的傳統方式，它更強調真實表達：通過指令控制情緒、語速和表達方式，讓聲音貼近具體內容與使用場景。Qwen-Audio-3.1-TTS-Next：更高效的音頻創作方式基於下代架構的音頻創作模型 Qwen-Audio-3.1-TTS-Next 全新發布。過去，製作一段完整音頻通常需要主播、音效師、混音師和剪輯師分工合作，分別製作人物對白、音效和背景聲，再進行後期剪輯與合成。它不再侷限於單一語音合成，而是圍繞文本、時間戳和參考音頻等輸入，統一生成人聲、音效和環境音，創作完整的音頻內容。

核心能力亮點： 一個模型統一生成多類音頻：支持生成包含語音及完整環境聲場的音頻，如一段播客可以同時包含多位說話人的對話與背景音效，一段影視或遊戲音頻可以包含臺詞、環境聲、動作音和配樂。保持多角色音色與情緒一致：支持多人音色復刻與多輪對話生成，在連續內容中保持各角色音色特徵，並按腳本演繹情緒與節奏，避免多輪生成中角色“變聲”，呈現停頓、接話、附和、情緒轉折等自然表達。融合人聲、音效與環境聲：多類聲音融合生成，並呈現聲音材質、遠近變化與空間層次。例如有聲書場景中，模型可以同時處理旁白、兩位角色的對話，也能生成城市低鳴、晚風和易拉罐碰撞聲等音效與環境聲，讓對話聽起來就發生在故事場景裡。

使用自然語言控制生成過程：通過自然語言指定說話人的語氣、語速和音量，描述音樂風格、配器方式以及聲音事件的先後順序。模型還支持細粒度時間戳控制、聲音復刻和 48kHz 輸出，可對對白起止、聲音事件和內容節奏做更具體的安排，滿足播客、有聲書、影視劇、遊戲、廣告等專業音頻創作需求。Qwen-Audio-3.1-Realtime：更自然的實時互動體驗實時語音交互，並不是把語音識別、語言模型和語音合成簡單串起來。人與人的交流中，說與聽常常同時發生：用戶可能沒說完就補充，也可能在對方回覆時插話；同一句話，隨情緒、關係和語氣不同，含義也不同。全新升級的 Qwen-Audio-3.

1-Realtime 聽得更懂，更會接話，更會共情，甚至可以主動調用 Agent 工具完成任務。全雙工實時交互告別了過去模型只能聽或只能說的現狀，可以做到同時說和聽，讓用戶可以隨時插話、打斷，交流體驗更接近真人通話。核心能力亮點：從識別文字，到理解情緒與交流意圖：模型理解的不僅是語音中的文字，還有聲音背後的情緒與意圖。識別到用戶語氣低落時，它不會機械地回一句“我理解你的感受”，而是放慢語速、調整措辭；面對緊張、開心、失落或猶豫，也能結合上下文選擇合適的表達。角色扮演場景中，角色設定不只留在 Prompt 裡，也體現在連續的聲音表達中。

支持多語言實時交流與自然切換：對話中切換語言時，模型繼續保持此前的上下文、語氣和交流節奏，跨語言對話不必因語言變化而重新開始。強化安全邊界與事實可靠性：面對不確定信息，減少缺乏事實依據的回答；面對敏感或高風險內容，更準確地識別邊界並給出安全回應。它關注的不僅是“能不能回答”，還有何時該謹慎、何時不該給出未經確認的結論。在實時對話中調用工具：當需求涉及外部信息或業務系統時，模型可在對話中調用工具，連接 API、知識庫和業務系統完成搜索、查詢或任務執行，並把結果自然帶回對話。

基於多教師蒸餾架構，模型在保持低延遲的同時，提升了理解、推理、表達與安全能力，所解決的問題也從“如何實時回答用戶”擴展為“如何在持續對話中理解變化的需求並完成任務”。Qwen-Audio 進入 Agent 與智能硬件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。在這些硬件場景中，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新增條件、修改需求或瞭解執行情況。總結Qwen-Audio 3.

1 系列的升級，並不是對單一語音指標的局部優化，而是沿著五條明確的技術路徑繼續向前：Qwen-Audio-3.1-ASR新增了語音轉寫在多語種、方言識別與上下文理解能力，還支持原生轉寫潤色能力。Qwen-Audio-3.1-ASR-Next將音頻理解進一步擴展至泛音頻理解，更好地理解人物情緒、環境聲、機械聲這些聲音元素。Qwen-Audio-3.1-TTS讓同一聲色在跨語言合成時依然能保持自然感，讓你秒講數種語言。Qwen-Audio-3.1-TTS-Next從單一的人聲合成擴展為通用音頻生成系統，一次生成人聲、音效與環境音共同構成的完整音頻內容。Qwen-Audio-3.

1-Realtime聽得更懂，更會接話，更會共情，有更接近真人通話的交流體驗，還能主動調用 Agent 工具完成任務。能聽懂、能創作、能聊天，Qwen-Audio 3.1 正在讓語音成為連接人、內容與 AI 的自然入口。投訴水文 我要糾錯 下載APP，簽到賺金幣兌豪禮 相關文章關鍵詞：千問，語音大模型，QwenAudio3.

1阿里千問辦公首款桌面機器人 QwenNote Eva 發佈：集辦公助理、情緒陪伴、桌面充電於一體，售價 899 元阿里千問辦公發佈企業上下文、數字員工及 Agent 硬件 QwenNote A2阿里千問平板 QwenBook 演示真機首秀：搭載小背屏，鍵盤有千問專屬鍵曝阿里試水千問平板 QwenBook：定位原生智能體電腦，主打辦公、打通 WPS千問 AI 眼鏡 N1 系列亮相阿里雲棲大會：支持眼動追蹤與虹膜支付，10 月 13 日發售阿里 Qwen4 和下代視頻模型訓練中，Qwen4.5 後模型將擴展至 5-10T 參數