Qwen-Audio-3.1：能听懂、能创作、能聊天
内容提要
阿里发布Qwen-Audio-3.1系列五款语音模型，覆盖识别、合成、实时交互与音频创作，全线降价：TTS降约70%、Realtime降约85%、ASR降95%。ASR支持30种语言和16种中文方言，新增润色与分角色转写；ASR-Next可理解情绪与环境声；TTS支持跨语言音色合成；TTS-Next统一生成人声、音效与环境声；Realtime实现全双工交互并可调用工具。
延伸解读
价格大幅下调，语音AI应用成本门槛降低
Qwen-Audio-3.1系列全线降价，其中ASR降幅达95%，TTS降约70%，Realtime降约85%。这意味着开发者调用语音识别、合成和实时交互服务的成本显著降低，尤其对需要大规模处理语音数据或提供实时语音交互的应用而言，成本压力将大幅缓解，可能推动更多语音AI应用落地。
ASR能力扩展：从转写文字到理解完整音频
Qwen-Audio-3.1-ASR不仅支持30种语言和16种中文方言，还新增转写润色和分角色转写，能自动去除语气词、重组语义，并区分说话人。而ASR-Next更进一步，可理解情绪、环境声和机械声，实现声音描述、事件定位和音频问答。这显示ASR正从单纯的语音转文字，向全面的音频理解演进。
TTS-Next：统一生成人声、音效与环境声的创作工具
TTS-Next不再局限于语音合成，而是能根据文本、时间戳和参考音频，统一生成人声、音效和环境声，并保持多角色音色与情绪一致。它支持自然语言控制语气、语速和音量，以及细粒度时间戳和48kHz输出。这为播客、有声书、影视剧等专业音频创作提供了高效的一体化解决方案，可能改变传统分工协作的音频制作流程。
Realtime：全双工交互与工具调用提升对话体验
Qwen-Audio-3.1-Realtime实现全双工实时交互，可同时说和听，支持用户随时插话、打断，更接近真人通话。它还能理解情绪与交流意图，根据用户语气调整回应方式，并支持多语言自然切换。此外，模型可在对话中调用工具连接外部系统，完成任务执行。这些升级让实时语音交互从简单问答转向更自然、更有用的持续对话。
Q&A
Qwen-Audio-3.1系列包含哪些模型？
包含五款模型：Qwen-Audio-3.1-ASR、Qwen-Audio-3.1-ASR-Next、Qwen-Audio-3.1-TTS、Qwen-Audio-3.1-TTS-Next和Qwen-Audio-3.1-Realtime。
Qwen-Audio-3.1-ASR支持哪些语言和方言？
支持30种语言和16种中文方言。
Qwen-Audio-3.1-ASR-Next有什么新功能？
能理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理，将处理对象从语音文字扩展为完整音频信息。
Qwen-Audio-3.1-TTS-Next如何统一生成音频？
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，支持多角色音色与情绪一致、自然语言控制生成过程，并可输出48kHz音频。
Qwen-Audio-3.1-Realtime支持哪些交互功能？
支持全双工实时交互，可同时说和听，允许用户随时插话、打断；能理解情绪与交流意图，支持多语言实时切换，强化安全边界与事实可靠性，并可在对话中调用工具。
Qwen-Audio-3.1系列的价格调整幅度是多少？
TTS降价约70%，Realtime降幅约85%，ASR降幅达95%。
