千问一口气发 5 款语音大模型,ASR 降价 95%、TTS 降 70%
智东西 · wechat · 2026-09-23
千问发布 Qwen-Audio-3.1 系列语音大模型,一次推出 5 款,覆盖语音识别(ASR)、语音合成(TTS)与实时语音交互(Realtime),并新增基于下一代架构的音频理解模型 ASR-Next 与音频创作模型 TTS-Next。
- ASR:端到端输出说话人标签、时间戳与文本,支持 30 种语言和 16 种中文方言;公开方言测试平均字错误率仅 4.55%,6/11 子集优于 Doubao-ASR 和腾讯 Hy-ASR;流式首字延迟约 160 毫秒。
- TTS:同一音色可跨普通话、粤语、河南话、英语、日语自然迁移,情绪与语速可通过指令控制。
- Realtime:全双工交互,支持多人对话中适时插话、多语言实时切换与工具调用;τ-Voice 任务成功率从 78.4% 提至 82.0%,背景语音干扰响应率从 73.0% 降至 13.0%。
- ASR-Next/TTS-Next:能力从语音扩展到完整音频理解与创作,TTS-Next 可统一生成人声、音效与环境音,支持细粒度时间戳与 48kHz 输出。
价格大幅下调:TTS 降约 70%、Realtime 降约 85%、ASR 降 95%。同期千问办公还发布首款 Agent 硬件 QwenNoteA2(磁吸手机背面的独立录音转写助理)和桌面机器人 Eva,Realtime 模型将逐步接入这些终端。
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
- Fable 5.2 实测生成细菌鞭毛马达视频,输出质量惊人 — Dr_Singularity · 2026-11-12
- 把 AI 生图当片场用：Intangible Canvas 场景编辑实测 — umesh_ai · 2026-11-12
- 先在 3D 里定机位再生成视频:Mars 场景工作流实操分享 — umesh_ai · 2026-11-12
- 生成前先定机位:Intangible AI Canvas 用 3D 场景预演 AI 视频 — umesh_ai · 2026-11-12
- 开源全双工语音模型 caramel-1：413M 参数纯语音训练，音似真人仍语无伦次 — alexcovo_eth · 2026-11-12
- H3-Image 或成新宠文生图模型：16MP 出图，两步 LoRA 可实时推理 — linoy_tsaban · 2026-11-12