一句话看懂：阿里千问于 2026 年 9 月 23 日发布 Qwen-Audio-3.1 系列，一次性推出五款语音模型，覆盖识别、合成、实时交互与音频创作；全线降价，ASR 降幅最高约 95%，语音能力的调用门槛被大幅拉低。
事件核心：发生了什么
这次发布包含五款模型：语音识别方向的 Qwen-Audio-3.1-ASR 与 ASR-Next，语音合成方向的 TTS 与 TTS-Next，以及实时交互模型 Realtime。升级重点有三处。其一，ASR 加入原生转写润色能力，可自动去除口头语与重复表达，并支持按角色标注“谁在何时说了什么”，便于会议和访谈形成可追溯记录；官方数据显示其支持 30 种语言、16 种中文方言，首字响应约 160 毫秒，在 KeSpeech 与 WSYue 的 11 个子集上平均字错率 4.55%。其二，TTS-Next 把文本、时间戳和参考音频统一起来，可一次性生成人声、音效与环境音，输出 48kHz，面向播客、有声书、影视与游戏。其三，Realtime 采用全双工架构，可边说边听、随时打断，并能识别情绪与沟通意图，在对话中调用 API、知识库和业务系统工具。价格方面，TTS 降约 70%，Realtime 降约 85%，ASR 降幅达 95%。
为什么重要
语音正从“单点能力”变成完整的能力栈：理解、生成、交互、创作。五款模型同时发布意味着开发者不必在不同厂商之间拼凑链路，尤其 ASR-Next 把处理对象从“语音中的文字”扩展到情绪、环境声和机械声，这类音频理解能力此前主要出现在闭源体系中。价格是更直接的变量：ASR 降价 95% 后，长音频转写、客服质检、会议记录等高频场景的算力成本结构会被重算，原本因成本被搁置的批量处理类应用具备上线可能。
对用户/开发者/创作者的影响
开发者侧，低延迟流式识别加工具调用，让实时语音助手、会议机器人和语音质检系统更容易落地，不必自建复杂后处理流程。创作者侧，TTS-Next 的音效与环境音一体化生成，可以压缩播客、有声书和短剧的音频制作环节。企业采购侧，语音模型价格集体下探，采购评估的重点会从“单次调用成本”转向“端到端流程成本”。普通用户最直观的变化是转写更干净、方言与行业术语识别更好，以及语音助手的打断体验更接近真人对话。
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
一是降价后实际并发与限流策略是否同步放开，这决定开发者能否真正跑量；二是 ASR-Next 的音频理解能力是否开放完整 API，以及多模态音频问答的准确率表现；三是竞品是否在语音识别与实时交互上跟进调价，目前公开信息显示这一轮价格调整幅度在同类产品中较为激进。
来源：AIbase
