{"id":88633,"topic":"ai","source":"凤凰网科技","title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","url":"https://tech.ifeng.com/c/8wegQx1HOGp","url_hash":"b08d4efa4235a2764d13922adf8a7235cc667c02","author":"","summary":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 凤凰网科技","content":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","image_url":"https://x0.ifengimg.com/res/2026/20D138979803DCB0FC8936DBFEBDB1C219172F5F_size17_w720_h380.webp","lang":"zh","published_at":"2026-09-23T07:23:05+00:00","fetched_at":"2026-09-23T08:15:08+00:00","status":"read","starred":0,"extract_state":"ok","summary_auto":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","cluster_id":3539244,"extract_retries":0,"extract_error":null,"contract_version":"news_item.v1","format_contract_version":"news_item_formats.v1","dedup_url":"https://tech.ifeng.com/c/8wegQx1HOGp","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3969 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3969,"summary_length":3969,"usable_text_length":3969,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3969,"summary_length":3969}},"news_item":{"id":88633,"canonical_url":"https://tech.ifeng.com/c/8wegQx1HOGp","source_url":"https://tech.ifeng.com/c/8wegQx1HOGp","title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","source_name":"凤凰网科技","author":null,"published_at":"2026-09-23T07:23:05+00:00","locale":"zh","topic":"ai","tags":[],"rss_summary":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 凤凰网科技","full_text":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","excerpt":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 3969 characters.","diagnostics_url":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3969 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3969,"summary_length":3969,"usable_text_length":3969,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3969,"summary_length":3969}}},"display_formats":["compact","card","full","digest_section","json"]},"daily_stack_record":{"title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","url":"https://tech.ifeng.com/c/8wegQx1HOGp","summary":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","source":"凤凰网科技","date":"2026-09-23T07:23:05+00:00","content":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 3969 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3969 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3969,"summary_length":3969,"usable_text_length":3969,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3969,"summary_length":3969}},"tags":[]},"fallback_formats":["markdown","json","html"],"actions":{"read":"/item/88633","export_markdown":"/api/items/88633/export?format=markdown","export_json":"/api/items/88633/export?format=json","diagnose":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp"},"formats":{"full":{"id":88633,"title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","url":"https://tech.ifeng.com/c/8wegQx1HOGp","source":"凤凰网科技","author":null,"published_at":"2026-09-23T07:23:05+00:00","locale":"zh","topic":"ai","tags":[],"excerpt":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","full_text":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","reading_time_min":1,"extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 3969 characters.","diagnostics_url":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3969 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3969,"summary_length":3969,"usable_text_length":3969,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3969,"summary_length":3969}}},"quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3969 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3969,"summary_length":3969,"usable_text_length":3969,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3969,"summary_length":3969}},"actions":{"read":"/item/88633","export_markdown":"/api/items/88633/export?format=markdown","export_json":"/api/items/88633/export?format=json","diagnose":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp"}},"digest":{"id":88633,"title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","url":"https://tech.ifeng.com/c/8wegQx1HOGp","source":"凤凰网科技","topic":"ai","published_at":"2026-09-23T07:23:05+00:00","excerpt":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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…","quality_bucket":"high","quality_reason":"High confidence: full text extraction produced 3969 characters.","reading_time_min":1,"cluster_id":3539244},"card":{"display_title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","subtitle":"凤凰网科技 · 2026-09-23","summary":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。…","badges":["quality:high"],"links":{"read":"/item/88633","original":"https://tech.ifeng.com/c/8wegQx1HOGp","diagnose":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp"},"quality_warning":null},"export":{"title":"阿里千问发布Qwen-Audio-3.1系列语音大模型，并下调全线产品价格 - 凤凰网科技","url":"https://tech.ifeng.com/c/8wegQx1HOGp","summary":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","source":"凤凰网科技","date":"2026-09-23T07:23:05+00:00","content":"IT之家 9 月 23 日消息，今天，千问正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别、语音合成和实时语音交互三大核心模型进行了全面进化，更重磅推出了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。\n官方称，五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，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%。\nIT之家附官方详细介绍如下：\nQwen-Audio-3.1-ASR：更强的上下文理解和润色\nQwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。\n此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。\n核心能力亮点：\n结构化：\n端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。\n听得广：\n一套模型支持 30 种语言和16 种中文方言，覆盖多语言交流、方言对话等复杂语音场景。\n听得准：\n支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。\n听得快：\n支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约 160 毫秒。\n听得清：\n原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。\n性能表现\n开源方言 ASR / AST：\n通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。\n中文方言内部自建测试集 ASR：\n评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。\n中文方言内部自建测试集 AST：\n评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。\nQwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。\nQwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景\n基于下代架构的音频理解模型 Qwen-Audio-3.1-ASR-Next 全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。\n例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。\n由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。\n性能表现\n分角色 ASR：\n评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash 版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。\nQwen-Audio-3.1-TTS：更自然的跨语言音色合成\nQwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。\n相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。\nQwen-Audio-3.1-TTS-Next：更高效的音频创作方式\n基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。\n过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它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，创作完整的音频内容。\n核心能力亮点：\n一个模型统一生成多类音频：\n支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。\n保持多角色音色与情绪一致：\n支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。\n融合人声、音效与环境声：\n多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。\n使用自然语言控制生成过程：\n通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。\nQwen-Audio-3.1-Realtime：更自然的实时互动体验\n实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。\n全新升级的 Qwen-Audio-3.1-Realtime 听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。\n核心能力亮点：\n从识别文字，到理解情绪与交流意图：\n模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。\n支持多语言实时交流与自然切换：\n对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。\n强化安全边界与事实可靠性：\n面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。\n在实时对话中调用工具：\n当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。\n基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。\nQwen-Audio 进入 Agent 与智能硬件\nQwen-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。\n在这些硬件场景中，用户不必始终打开电脑或手机，可以直接通过语音发起任务，并在实时对话中继续新增条件、修改需求或了解执行情况。\n总结\nQwen-Audio 3.1 系列的升级，并不是对单一语音指标的局部优化，而是沿着五条明确的技术路径继续向前：\nQwen-Audio-3.1-ASR\n新增了语音转写在多语种、方言识别与上下文理解能力，还支持原生转写润色能力。\nQwen-Audio-3.1-ASR-Next\n将音频理解进一步扩展至泛音频理解，更好地理解人物情绪、环境声、机械声这些声音元素。\nQwen-Audio-3.1-TTS\n让同一声色在跨语言合成时依然能保持自然感，让你秒讲数种语言。\nQwen-Audio-3.1-TTS-Next\n从单一的人声合成扩展为通用音频生成系统，一次生成人声、音效与环境音共同构成的完整音频内容。\nQwen-Audio-3.1-Realtime\n听得更懂，更会接话，更会共情，有更接近真人通话的交流体验，还能主动调用 Agent 工具完成任务。\n能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。\n“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。\nNotice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//tech.ifeng.com/c/8wegQx1HOGp","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 3969 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3969 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3969,"summary_length":3969,"usable_text_length":3969,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3969,"summary_length":3969}},"tags":[],"format_contract_version":"news_item_formats.v1"}}}