一句话看懂：9月23日，千问上线 Qwen-Audio-3.1 系列共五款语音大模型，覆盖识别、理解、合成、创作与实时交互，并同步大幅降价，ASR 降幅最高约 95%。
事件核心：发生了什么
这次发布的 Qwen-Audio-3.1 是一套完整的音频能力栈，包含五款模型：语音识别 Qwen-Audio-3.1-ASR、音频理解 ASR-Next、文本转语音 TTS、音频创作 TTS-Next，以及实时交互 Realtime。目前 ASR、TTS、TTS-Next、Realtime 的 API 已在千问 AI 平台上线，ASR-Next 的 API 将随后推出。
能力上有几处具体升级：ASR 支持 30 种语言和 16 种中文方言，流式识别首字响应约 160 毫秒，并新增转录润色（自动去除口头语和重复表达）与端到端角色分离转录，可同时输出说话人标签、时间戳和文本。ASR-Next 把理解范围从“语音中的文字”扩展到情绪、环境音和机械音，支持声音描述、事件定位和音频问答推理。TTS 支持跨语言音色迁移，并通过指令控制情绪和语速；TTS-Next 面向播客、有声书、影视游戏，统一生成人声、音效与环境音，支持多角色复刻和 48kHz 输出。Realtime 基于多教师蒸馏架构实现全双工交互，可随时打断，支持对话中实时切换语言、情绪理解与工具调用。
价格方面，TTS 降价约 70%，Realtime 约 85%，ASR 最高约 95%。测试数据上，ASR 在开源方言测试集平均 CER 为 4.55%，自建中文方言集平均 CER 为 10.38%，方言转普通话的语义整句准确率平均 82.10%。
为什么重要
语音正在从单一功能变成大模型的标配入口。千问这次把识别、理解、合成、创作、实时交互打包成一条产品线，意味着竞争焦点从“单个模型跑分”转向“能力栈是否完整、是否便宜、能否直接接入应用”。ASR 最高约 95% 的降幅尤其值得注意：语音识别此前是许多 AI 应用的主要成本项之一，价格下探会直接改变实时字幕、会议记录、客服质检等场景的可行性边界。同时，官方称 ASR-Flash-Next 与 ASR-Flash 在四个测试集的八项指标中分别拿下五项和三项第一，全面超过此前的 Fun-ASR 级联系统，这是对既有技术路线的一次正面替换。
对用户/开发者/创作者的影响
开发者层面，五款模型已在千问 AI 平台开放 API，可分别用于语音转写、音频内容理解、语音合成和实时对话。降价后，长音频转写和实时语音 Agent 的单位成本明显降低，适合把语音能力嵌入客服、会议、教育或硬件产品。创作者层面，TTS-Next 定位播客、有声书和影视游戏，支持多角色复刻与 48kHz 输出，音效和环境音可一并生成，制作流程有机会从多工具拼接收敛到一次调用。目前公开信息显示，Realtime 已接入 Qoder、Qwen Office 等 Agent 产品，以及 Qwen AI 眼镜等智能硬件，说明它被当作人机交互的默认接口来推进。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 ASR-Next 的 API 何时正式开放，情绪与环境音理解能否在真实场景中稳定复现；二是降价是否伴随限流、配额或 SLA 调整，这决定开发者能否长期依赖；三是竞品是否跟进价格与技术路线，尤其是实时全双工和端到端语音理解方向。此外，方言识别与角色分离涉及录音数据合规，落地到企业场景时仍需关注相关要求。
来源：AIbase
