ithome
时政
科技
采集 2026-09-23T10:13:59+00:00
阿里千问发布Qwen-Audio-3.1系列语音大模型
原始标题: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
ithome
发布时间
2026-09-23T07:15:26
采集批次
2026-09-23-10
字数
1722
URL 指纹
80a16de35cc29995
📌 AI 总结(214 字)
阿里千问发布Qwen-Audio-3.1系列语音大模型,包含ASR、ASR-Next、TTS、TTS-Next和Realtime五款模型,覆盖「理解-生成-交互-创作」完整音频能力栈。新版本在语音识别、合成和实时交互方面全面升级,新增多语种方言识别、转写润色、情绪理解、多角色音色生成等功能。同时全线产品大幅降价,TTS降幅约70%,Realtime降幅约85%,ASR降幅达95%,旨在降低用户使用成本并推动语音AI技术普及。
📄 正文(1722 字)
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%。 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。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。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。 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。 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。它不再局限于单一语音合成,而是围绕文本、时间戳和参考音频等输入,统一生成人声、音效和环境音,创作完整的音频内容。支持生成包含语音及完整环境声场的音频,如一段播客可以同时包含多位说话人的对话与背景音效,一段影视或游戏音频可以包含台词、环境声、动作音和配乐。 Qwen-Audio-3.1-Realtime:更自然的实时互动体验 全新升级的Qwen-Audio-3.1-Realtime听得更懂,更会接话,更会共情,甚至可以主动调用Agent工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状,可以做到同时说和听,让用户可以随时插话、打断,交流体验更接近真人通话。模型理解的不仅是语音中的文字,还有声音背后的情绪与意图。 Qwen-Audio进入Agent与智能硬件 Qwen-Audio-3.1-Realtime正在与Qoder、千问办公等Agent,以及QwenNote、A2、Eva、千问AI眼镜、乐奇AI眼镜等智能硬件结合。在这些硬件场景中,用户不必始终打开电脑或手机,可以直接通过语音发起任务,并在实时对话中继续新增条件、修改需求或了解执行情况。 Qwen-Audio 3.1系列的升级,并不是对单一语音指标的局部优化,而是沿着五条明确的技术路径继续向前:新增了语音转写在多语种、方言识别与上下文理解能力;将音频理解进一步扩展至泛音频理解;让同一声色在跨语言合成时依然能保持自然感;从单一的人声合成扩展为通用音频生成系统;听得更懂,更会接话,更会共情,有更接近真人通话的交流体验,还能主动调用Agent工具完成任务。 能听懂、能创作、能聊天,Qwen-Audio 3.1正在让语音成为连接人、内容与AI的自然入口。