模型 The Decoder AI·原文 2026年9月23日本站收录 2026年9月24日

阿里Qwen发布Qwen-Audio-3.1五款模型，音频AI价格最高下调95%

Qwen推出覆盖语音识别、语音合成和实时交互的五款模型，ASR降价最高约95%，TTS约70%，实时模型约85%。

AI解读：阿里Qwen团队发布Qwen-Audio-3.1，一次推出五款覆盖语音识别、语音合成和实时交互的模型。对做语音转写、多语言配音或实时语音助手的团队来说，这意味着可选方案变多，调用成本也明显下降。

主打能力各有侧重：ASR改善多语言和方言识别，还会自动清理口头禅与重复；ASR-Next额外支持带时间戳的多说话人识别，以及情绪、环境声和机器噪声检测。TTS支持多语言合成和跨语言音色迁移，用户用一句文本提示就能控制情绪、语速和风格。

价格调整是这次最直接的变化：TTS降价约70%，实时模型约85%，ASR最高约95%。降价幅度最大的是ASR，对大批量转写场景影响最明显。

仍待确认的是各模型的具体定价、可用区域和效果数据，来源仅提供摘要级信息，没有给出评测基准或与竞品的对比细节。

阿里Qwen团队发布Qwen-Audio-3.1，包含五款用于语音识别（ASR）、语音合成（TTS）和实时交互的模型。Qwen同时下调音频AI价格：TTS约降70%，实时模型约降85%，ASR最高降约95%。

据Qwen介绍，ASR模型改善了多语言和方言识别，并自动清理口头禅和重复内容。ASR-Next在此基础上增加带时间戳的多说话人识别，还能检测情绪、环境声和机器噪声。

TTS与实时模型能力

TTS模型处理多语言合成，支持自然的跨语言音色迁移。用户通过简单文本提示控制情绪、语速和风格，例如“用尖锐、命令式的语气朗读，要求被尊重”。

TTS-Next将语言模型与扩散方法结合，单次生成即可产出语音、音效和背景音频。实时模型支持边说边听，并能即时打断；Qwen表示，当它检测到用户情绪低落时，回应会更慢、更有同理心。

Qwen给出的价格调整幅度为：TTS约降低70%，实时模型约降低85%，ASR最高降低95%。降价幅度最大的是ASR，对应的是大批量语音转写场景。

更多细节发布在Qwen博客和Qwen Cloud上。来源为The Decoder的报道，内容基于摘要级信息，未提供各模型的具体定价数字、开放区域或评测基准数据。