阿里千问正式发布 Qwen-Audio-3.1 系列语音大模型,一次性推出五款全新模型,覆盖语音识别、语音合成、实时语音交互,新增音频创作模型Qwen-Audio-3.1-TTS-Next、音频理解模型Qwen-Audio-3.1-ASR-Next,构建起“理解-生成-交互-创作”完整音频能力栈。
- Qwen-Audio-3.1-ASR:https://qianwenai.com/models/qwen-audio-3.1-asr-flash
- Qwen-Audio-3.1-TTS:https://qianwenai.com/models/qwen-audio-3.1-tts-flash
- Qwen-Audio-3.1-TTS-Next:https://qianwenai.com/models/qwen-audio-3.1-tts-next
- Qwen-Audio-3.1-Realtime:https://qianwenai.com/models/qwen-audio-3.1-realtime-plus

同时官方宣布全线模型大幅降价:TTS降幅约70%,Realtime实时语音模型降幅约85%,ASR语音识别降价高达95%。
Qwen-Audio-3.1-ASR|带润色、分角色的语音转写
新一代语音识别模型,强化多语种、方言与上下文理解,自带转写润色能力,自动剔除语气词、重复口语,重组语句逻辑。
- 结构化输出:说话人标签、时间戳、文本一体输出,支持重叠语音、插话识别,适合会议访谈记录。
- 覆盖30种语言+16门中文方言,支持专业热词、行业实体识别。
- 流式低延迟识别,首字响应约160ms。
评测表现:方言测试集平均字错误率CER 10.38%,温州话等高难度方言提升显著;方言转译普通话平均语义句准率82.10%。
Qwen-Audio-3.1-ASR-Next|不止识别文字,听懂声音场景与情绪
全新下一代架构音频理解模型,不再局限提取对话文字,可识别情绪、环境声、机械噪音,完成声音事件定位、音频问答与推理。
一段混合背景音乐、多人对话、环境音的录音,模型既能输出转写文本,也能描述里面各类声音、发生时间,并回答音频相关问题。
分角色转写指标全面优于前代Fun-ASR级联方案。
Qwen-Audio-3.1-TTS|跨语言音色自然迁移
支持多语种、方言语音合成,同一音色可无缝切换多种语言。可通过指令控制情绪、语速、表达风格,贴合不同场景的表达需求。
Qwen-Audio-3.1-TTS-Next|一站式完整音频创作
全新音频创作模型,跳出单纯人声合成,能够同时生成对白、音效、环境声场,产出完整音频作品。
- 一次性生成多人对话、背景音、动作音效、配乐,自带空间远近层次。
- 保持多角色音色稳定,支持停顿、插话、情绪转折等自然表达。
- 支持自然语言描述、细粒度时间戳控制、声音复刻,48kHz输出,适配播客、有声书、影视、游戏音频制作。
Qwen-Audio-3.1-Realtime|全双工实时语音交互,可打断、可调用Agent
全双工实时对话,支持随时插话打断,不再是一问一答的单向交互。模型识别语音背后的情绪与意图,根据对话状态调整语速、语气;跨语言对话时保留上下文与交流节奏。
内置工具调用能力,对话过程中可连接知识库、API,调用Agent完成任务;同时优化事实校验与安全边界,减少不实输出。
该实时语音模型将和Qoder、千问办公Agent,QwenNote、A2、Eva、千问AI眼镜等硬件产品深度结合。
整体来看,Qwen-Audio-3.1不是单点指标升级,而是从语音文字识别,拓展到环境音频理解、完整音频内容创作、类真人实时语音Agent交互,把语音作为AI智能硬件与智能体的交互入口。















