阿里Qwen-Audio-3.0系列语音模型上线千问AI平台，斩获国际评测“大满贯”

事件核心：发生了什么

据 AIbase 报道，阿里近期正式在千问 AI 平台发布 Qwen-Audio-3.0 系列语音模型，包含三款产品：面向大规模语音识别的 Qwen-Audio-3.0-ASR、面向语音合成的 Qwen-Audio-3.0-TTS，以及面向实时语音交互对话的 Qwen-Audio-3.0-Realtime。阿里官方称，该系列在今年 7 月权威 AI 评测平台 Artificial Analysis 的语音榜单中，于语音识别、实时交互、语音合成三个类别均排名第一。

从能力看，ASR 模型支持复杂场景和专业领域的识别；TTS 模型支持多语言与方言，并可控制情绪、语气和节奏；Realtime 模型则实现端到端的语音理解与对话，支持随时打断追问和工具调用，已应用于千问 App、千问办公和 Qoder 等产品。与此同时，千问 AI 平台还更新了 Qwen3.8-Max、Qwen-image3.0pro、Wan3.0 等模型，覆盖文本、代码、语音、图像、视频，并上线了 Token Plan 订阅服务，个人版月费 39 元起，团队版最高 7.6 折。

为什么重要

这次更新释放了两个信号。其一，阿里在语音赛道上不再以单点模型应战，而是将识别、合成、实时对话打包成完整方案，直接对标国际主流语音模型。其二，语音矩阵与图像、视频模型的集中上线，意味着千问平台正在从“聊天助手”转向面向 Agent 的生产力基础设施。值得注意的是，Token Plan 订阅服务的推出，说明阿里在模型能力之外开始重点经营开发者付费生态，通过降低调用门槛争取更多企业客户与个人开发者。

对用户/开发者/创作者的影响

对开发者而言，Realtime 模型支持工具调用和实时打断，适合用来搭建语音客服、语音助手、会议记录等 Agent 类应用；订阅制按量付费的方式也降低了前期试错成本。对内容创作者和视频生产者来说，TTS 模型的多语言、多方言和情感控制能力，可以直接用于配音、有声内容制作和本地化创作。对普通用户而言，更直接的感知可能来自千问 App 等产品中的语音交互体验——识别更准、打断更自然、回复更接近真人节奏。目前公开信息显示，API 的具体定价和调用限制尚未完全披露，实际成本仍需观望。

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。

了解 GamsGo AI

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

后续可以观察三点：一是 Qwen-Audio-3.0 在 Artificial Analysis 上的领先能否转化为实际商业化份额，二是 Token Plan 订阅服务正式上线后价格与额度是否调整，三是竞品是否跟进“识别+合成+实时对话”的组合打法。语音与图像、视频模型的协同效果，也值得在实际的 Agent 工作流中验证。

来源：AIbase