Qwen 发布五个音频模型,TTS 降价 70%、ASR 最高降 95%
Alibaba_Qwen · x · 2026-09-23
阿里 Qwen 官宣 Qwen-Audio-3.1 系列：ASR、TTS、Realtime 全面升级，并新增 TTS-Next（音频创作）与 ASR-Next（音频理解），形成理解、生成、交互、创作五模型完整音频栈。价格大幅下调：TTS 约降 70%，Realtime 约降 85%，ASR 最高降 95%。
亮点：
- ASR：多语言与方言识别增强，原生润色功能自动去除语气词与重复，转写更干净连贯。
- ASR-Next：支持多说话人识别（带说话人标签与时间戳）、情绪与环境/机器声理解，可做声音描述、事件定位、音频问答与推理。
- TTS：多语言与方言合成，支持自然跨语言音色迁移，可通过简单指令控制情绪、语速与风格。
- TTS-Next：统一 LM + diffusion 框架（原文截断）。
所属事件:阿里Qwen连发五款Qwen-Audio-3.1音频模型并全线大降价(6 条相关)→
「多模态」频道最新
- 用 Fable 5.2 + Tripo 在 three.js 里做出像素巨龙巢穴场景 — Flomerboy · 2026-11-11
- Adobe MAX 现场演示：手机拍像素素材 + Firefly 生成改装车库大片 — shashib · 2026-11-11
- 不用视频模型:Blender+Claude Code 打造月光图书馆电影感短片 — dotey · 2026-11-11
- AI 生成 MV「官僚修女」:雨夜哥特教堂场景电影感惊人 — rilex037 · 2026-11-11
- 「埃及法王」AI 人像刷屏：光影与法老剪影的氛围感创作 — egeberkina · 2026-11-11
- MiniMax H3-Image 支持单次生成融合 16 张参考图 — MiniMax_AI · 2026-11-11