智东西9月23日报道，千问今日正式发布Qwen-Audio-3.1系列语音大模型，一次性推出5款模型，对语音识别（ASR）、语音合成（TTS）和实时语音交互（Realtime）三大核心模型进行了升级，还发布了基于下一代架构的音频理解模型ASR-Next与音频创作模型TTS-Next。
其中，新一代语音识别大模型Qwen-Audio-3.1-ASR 通过公开方言测试集KeSpeech和WSYue进行了测试，在11个子集其中的6个里，相比Doubao-ASR和Tencent Hy-ASR-3.0-preview两款开源模型成绩更好，平均字错误率（CER）仅为4.55%。
▲公开方言测试成绩（来源：千问大模型）
此外，Qwen-Audio全线语音模型价格下调，其中TTS降价约70%、Realtime降幅约85%、ASR降幅达95%。
价格方面，Qwen-Audio-3.1-ASR-Flash输入0.8元、输出2.7元/百万tokens；Qwen-Audio-3.1-TTS-Flash输入1.5元、输出12元/百万tokens；Qwen-Audio-3.1-TTS-Next输入6元、输出12元/百万tokens；Qwen-Audio-3.1-Realtime-Plus根据档位不同，输入5～40元、输出40～150元/百万tokens。
▲Qwen-Audio-3.1系列语音模型价格一览表（来源：智东西制图）
该系列中，大部分模型的API已上架千问AI平台，其中ASR-Next的API还未上线。在9月22日开幕的2026云栖大会上，阿里就已预告了这次发布的几款模型，首次登场的同声传译模型Qwen3.8-LiveTranslate并不再此次发布列表之中。
除此之外，千问办公今天还发布了两款智能硬件，分别是首款Agent硬件QwenNote A2和桌面机器人Eva，Qwen-Audio-3.1-Realtime会逐步接入这些硬件。
其中，QwenNote A2是一款磁吸在手机背面的AI助理设备，自带4G网络，能脱离手机独立录音转写、翻译，支持AI对话、总结会议和撰写方案。
桌面机器人Eva内置千问办公，能够与用户进行实时语音交互，完成用户下达的任务，并支持多端联动。
体验地址：
Qwen-Audio-3.1-ASR:
https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash
Qwen-Audio-3.1-TTS：
https://www.qianwenai.com/models/qwen-audio-3.1-tts-flash
Qwen-Audio-3.1-TTS-Next:
https://www.qianwenai.com/models/qwen-audio-3.1-tts-next
Qwen-Audio-3.1-Realtime:
https://www.qianwenai.com/models/qwen-audio-3.1-realtime-plus
01.
三大核心模型升级：
16种方言、跨语言合成、全双工
Qwen-Audio-3.1-ASR具备结构化、听得广、听得准、听得快、听得清五项核心能力。
其中，Qwen-Audio-3.1-ASR采用端到端方案，把说话人标签、时间戳和文本联合输出，既能处理轮流发言，也能保留短插话和重叠语音，可以为会议、访谈和对话分析提供可追溯的结构化记录。
语言覆盖面上，一套模型支持30种语言和16种中文方言。词汇覆盖率方面，该模型支持行业词、专业实体和分级热词识别，能参考长音频历史上下文，保持人名、缩写和术语一致。
延迟方面，该模型在低延迟流式识别下，首字响应约160毫秒。同时，Qwen-Audio-3.1-ASR在转写完成后自带润色功能，可以自动去除语气词与重复表达并仅需语义重组，能够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。
除公开测试外，在阿里内部自建的中文方言测试集评测ASR中，Qwen-Audio-3.1-ASR在对16种中文方言的原文转写测试中，平均CER为10.38%，温州话和苏州话识别能力断层领先。
▲阿里内部自建中文方言测试集评测ASR成绩（来源：千问大模型）
内部自建的中文方言测试集评测AST，用于评测将方言语音翻译为普通话、准确保留原意的能力，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%。
▲阿里内部自建中文方言测试集评测AST成绩（来源：千问大模型）
Qwen-Audio-3.1-TTS升级重点是跨语言音色合成能力，同一个音色能跨语种自然迁移，官方演示中，Qwen-Audio-3.1-TTS能够用一种音色分别说出普通话、广东话、河南话、英语和日语。
此外，模型合成语音的情绪、语速和表达方式可以通过指令控制，同一句话可以表现出开心、伤心等不同状态，更强调真实表达，使声音贴近具体内容与使用场景。
实时语音交互模型Qwen-Audio-3.1-Realtime进一步强化了对情绪、交流意图和上下文的理解，同时支持多语言实时切换、工具调用，并强化了安全与事实可靠性。
在实际多人对话场景中，全双工实时交互让Qwen-Audio-3.1-Realtime能够根据对话进程适时等待、插入和回应，面对多人连续交流，可以结合上下文判断何时应该参与对话、何时继续等待。
Qwen-Audio-3.1-Realtime可以根据用户的语气和情绪调整回应方式，在对话中切换语言后继续保持上下文和交流节奏。当用户提出查询、搜索等需求时，Qwen-Audio-3.1-Realtime还能调用API、知识库等外部工具完成任务，再将结果带回对话。
据发布的技术报告，Qwen-Audio-3.1-Realtime在τ-Voice半双工语音转文字适配版上的整体任务成功率从78.4%提升至82.0%；在Full-Duplex-Bench v1.5上，对背景语音的响应率从73.0%降至13.0%，意味着模型更少受到无关背景语音的干扰。
▲Qwen-Audio-3.1-Realtime技术报告（来源：arXiv）
此外，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。
官方称，在这些场景下，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添加条件、修改需求或了解执行情况。
02.
两款Next新模型：
一个拓宽音频理解，一个打通音频创作
本次阿里还发布了两款音频方向的新模型Qwen-Audio-3.1-ASR-Next和Qwen-Audio-3.1-TTS-Next，分别用于补充ASR和TTS在语音之外的音频理解空缺。
Qwen-Audio-3.1-ASR-Next把声音处理范围从语音中的文字扩展到完整音频信息，能理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。
官方举例，面对一段同时包含人物对话、背景音乐和环境声的音频，模型会输出对话文本，还会描述里面有哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。
在分角色ASR的评测中，Qwen-Audio-3.1-ASR-Flash-Next与Qwen-Audio-3.1-ASR-Flash版本分别拿下五项和三项最优结果，均优于此前的Fun-ASR级联系统。
Qwen-Audio-3.1-TTS-Next则将能力从语音合成拓展到音频创作。基于文本、时间戳和参考音频等输入，模型可以统一生成人声、音效和环境音，组合成完整的音频内容。
在多轮生成中，模型能够保持不同角色的音色一致，并呈现停顿、接话、情绪转折等自然表达。
同时Qwen-Audio-3.1-TTS-Next支持细粒度时间戳控制、声音复刻和48kHz输出，可以对对话、音效和内容节奏进行更精细的编排，覆盖播客、有声书、影视、游戏、广告等场景。
03.
结语：能力拓展、价格下探
软硬件提供流量入口
Qwen-Audio-3.1系列语音模型在语音识别、语音合成和实时交互能力等方面持续优化，价格也进一步下探。与此同时，ASR-Next、TTS-Next也将能力覆盖范围向音频理解和音频创作延伸。
阿里方面将语音定位为连接人、内容与AI的自然入口。接下来，AI眼镜、桌面机器人等新终端的普及，也将带来更多语音调用需求。
本文来自微信公众号“智东西”（ID：zhidxcom），作者：毕伟豪，36氪经授权发布。
