凤凰网科技讯 9月23日，千问今日正式发布Qwen-Audio-3.1系列语音大模型，对语音识别、语音合成和实时语音交互三大核心模型进行全面升级，同时推出全新的音频创作模型Qwen-Audio-3.1-TTS-Next和音频理解模型Qwen-Audio-3.1-ASR-Next。官方称，五款新模型形成覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低使用成本，Qwen-Audio全线语音模型价格均下调，其中TTS降价约70%，Realtime降幅约85%，ASR降幅达95%。
Qwen-Audio-3.1-ASR进一步增强多语种、方言识别与上下文理解能力，新增原生转写润色功能，可自动去除语气词与重复表达并重组语义。该模型一套支持30种语言和16种中文方言，支持低延迟流式识别，首字响应约160毫秒。在中文方言内部测试集上，其平均CER为10.38%，在11个方言子集上取得最优结果，温州话等较难方言提升尤为明显。
Qwen-Audio-3.1-ASR-Next基于下代架构，能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。ASR处理的对象从“语音中的文字”扩展为“完整的音频信息”。在分角色ASR评测中，该模型在四个测试集的八项指标中取得五项最优结果。
Qwen-Audio-3.1-TTS支持多语种及方言合成，并支持同一音色跨语言合成时的自然迁移，同时可通过指令控制情绪、语速和表达方式。
Qwen-Audio-3.1-TTS-Next是全新的音频创作模型，不再局限于单一语音合成，而是围绕文本、时间戳和参考音频等输入，统一生成人声、音效和环境音。该模型支持多角色音色复刻与多轮对话生成，融合人声、音效与环境声，并可通过自然语言控制生成过程，支持细粒度时间戳控制和48kHz输出，覆盖播客、有声书、影视剧、游戏、广告等专业音频创作需求。
Qwen-Audio-3.1-Realtime升级全双工实时交互能力，可同时说和听，支持随时插话、打断。模型能够识别用户情绪与交流意图，在对话中切换语言时保持上下文与语气，并可主动调用Agent工具完成搜索、查询或任务执行。目前，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。
