千问发布Qwen-Audio-3.1系列，音频模型全线降价最高95%

【科技纵览】
9月23日，千问正式推出Qwen-Audio-3.1系列语音大模型，对语音识别、合成及实时交互三大核心模块实施全面迭代。此次更新不仅涵盖基础模型升级，更引入了全新的音频创作模型Qwen-Audio-3.1-TTS-Next与音频理解模型Qwen-Audio-3.1-ASR-Next。官方表示，这五款新模型共同构建起覆盖“理解-生成-交互-创作”的完整音频能力栈。值得注意的是，为降低使用门槛，Qwen-Audio全线语音模型价格大幅下调，其中TTS服务降价约70%，Realtime降幅约85%，ASR降幅更是高达95%。

在语音识别领域，Qwen-Audio-3.1-ASR强化了多语种、方言识别及上下文理解能力，新增原生转写润色功能，可自动剔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特性，首字响应时间约为160毫秒。内部测试数据显示，其在中文方言集上的平均字符错误率（CER）为10.38%，在11个方言子集中取得最优结果，温州话等难懂方言的提升尤为显著。而基于下一代架构的Qwen-Audio-3.1-ASR-Next，则将处理对象从“语音文字”扩展至“完整音频信息”，能够解析人物情绪、环境声与机械声，完成声音描述、事件定位及音频推理。在分角色ASR评测中，该模型于四个测试集的八项指标里斩获五项第一。

语音合成方面，Qwen-Audio-3.1-TTS支持多语种及方言合成，实现同一音色跨语言的自然迁移，并允许通过指令精准控制情绪、语速及表达方式。全新推出的Qwen-Audio-3.1-TTS-Next则突破单一语音合成局限，围绕文本、时间戳和参考音频等输入，统一生成人声、音效与环境音。该模型支持多角色音色复刻与多轮对话生成，融合多种声音元素，可通过自然语言控制生成过程，支持细粒度时间戳控制和48kHz高保真输出，广泛适用于播客、有声书、影视剧、游戏及广告等专业音频创作场景。

实时交互层面，Qwen-Audio-3.1-Realtime升级了全双工能力，支持同时说听、随时插话与打断。模型能识别用户情绪与交流意图，在多语言切换中保持上下文连贯与语气一致，并可主动调用Agent工具执行搜索或查询任务。目前，该模型正与Qoder、千问办公等Agent，以及QwenNote、A2、Eva、千问AI眼镜、乐奇AI眼镜等智能硬件深度结合，推动具身智能与语音交互的进一步融合。