千问当日正式发布 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全面进化，还重磅推出全新的音频创作模型 Qwen-Audio-3.1-TTS-Next 与音频理解模型 Qwen-Audio-3.1-ASR-Next。五款新模型同时亮相，形成覆盖“理解—生成—交互—创作”的完整音频能力栈。为进一步降低使用门槛，Qwen-Audio 全线语音模型价格均下调，其中 TTS 降约 70%、Realtime 降约 85%、ASR 降幅达 95%。
一、五款模型同发，ASR 价格直降 95%
Qwen-Audio-3.1-ASR 是新一代语音识别模型，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；其分角色转写能完整呈现“谁在什么时候说了什么”，为会议、访谈提供可追溯的结构化记录。该模型一套支持 30 种语言与 16 种中文方言，支持行业词与分级热词识别，并提供低延迟流式识别，首字响应约 160 毫秒。性能上，其在 KeSpeech 与 WSYue 的 11 个子集平均字错误率（CER）4.55%，中文方言内部测试集平均 CER 10.38%，AST 平均语义句准率 82.10%。
基于下代架构的 ASR-Next 则把处理对象从“语音中的文字”扩展为“完整音频信息”，可理解人物情绪、环境声与机械声，完成声音描述、事件定位与音频问答推理。在分角色 ASR 评测中，其 Flash-Next 与 Flash 版本分别取得五项和三项最优，全面优于此前的 Fun-ASR 级联系统。
语音合成方面，Qwen-Audio-3.1-TTS 支持多语种及方言合成，并让同一音色在跨语言时自然迁移，可通过指令控制情绪、语速与表达方式。新一代 TTS-Next 更进一步，围绕文本、时间戳与参考音频统一生成人声、音效与环境音，一次创作完整音频内容，并支持 48kHz 输出与细粒度时间戳控制，满足播客、有声书、影视和游戏等需求。
二、从听懂到创作，语音成 AI 自然入口
实时交互模型 Qwen-Audio-3.1-Realtime 采用全双工架构，可同时说和听、支持随时插话打断，并从识别文字升级为理解情绪与交流意图——识别到用户语气低落时会放慢语速、调整措辞。它还支持多语言实时切换，并在对话中调用 API、知识库与业务系统工具完成任务；基于多教师蒸馏架构，在保持低延迟的同时强化了事实可靠性与安全边界。
目前，Qwen-Audio-3.1-Realtime 正与 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。在这些场景中，用户无需始终打开电脑或手机，即可通过语音直接发起任务，并在实时对话中追加条件、修改需求或了解执行情况。千问表示，Qwen-Audio 3.1 的升级并非单点指标优化，而是沿五条技术路径推进，让“能听懂、能创作、能聊天”的语音成为连接人、内容与 AI 的自然入口。
