阿里千问发布 Qwen-Audio-3.1 系列语音大模型，并下调全线产品价格

来源摘要

IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了全新的音频创作模型 Qwen-Audio-3.1-TTS-Next 和音频理解模型 Qwen-Audio-3.1-ASR-Next。 官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，Qwen-Audio 全线语音模型价格均下调，其中 TTS 降价约 70%，Realtime 降幅约 85%，ASR 降幅达 95%。 IT之家附官方详细介绍如下： Qwen-Audio-3.1-ASR：更强的上下文理解和润色 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，让转写的文字更顺畅、更有逻辑。 此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。 核心能力亮点： 结构化： 端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。 听得广： 一套模型支持 30 种语言和 16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。 听得准： 支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。 听得快： 支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。 听得清： 原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。 性能表现 开源方言 ASR / AST： 通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。 中文方言内部自建测试集 ASR： 评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。 中文方言内部自建测试集 AST： 评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。 Qwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。 Qwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景 基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。 例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。 由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。 性能表现 分角色 ASR： 评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next 和 Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。 Qwen-Audio-3.1-TTS：更自然的跨语言音色合成 Qwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。 相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。 Qwen-Audio-3.1-TTS-Next：更高效的音频创作方式 基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。 过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑